CN101778741A - 车辆驾驶辅助系统、方法以及装备该车辆驾驶辅助系统的车辆 - Google Patents

Abstract

一种车辆驾驶辅助系统，其检测代表当前行驶状况和驾驶操作的短时数据、以及代表当天行驶状况和驾驶操作的中时数据。通过将短时数据的分布与中时数据的分布进行比较以执行驾驶诊断。

Description

车辆驾驶辅助系统、方法以及装备该车辆驾驶辅助系统的车辆

技术领域

本发明涉及车辆驾驶辅助系统，其辅助驾驶员操作行驶中的车辆。

背景技术

传统的车辆驾驶辅助系统在当车辆靠近前车而开始减速时获取接触时间(time to contact)，并且基于所获取的值发出警报(例如参见专利参考文献1)。该系统在减速操作开始时根据接触时间估计驾驶员的预计时间，并且当预计时间之后车距的预计值小于报警距离时发出警报。

专利参考文献1：

日本专利公开No.H7-159525；

专利参考文献2：

日本专利公开No.2005-71184。

发明内容

技术问题

上述传统系统基于减速操作开始时刻的接触时间检测驾驶员的驾驶特性。但是，存在由于不同驾驶员的差异(不同个体的差异)或单个驾驶员的差异(个体内部差异)所产生的噪声而使得检测精度降低的问题。

技术手段

根据本发明的车辆驾驶辅助系统包括：行驶状况检测装置，其检测车辆的行驶状况；驾驶操作检测装置，其检测驾驶员的驾驶操作；驾驶诊断装置，其根据行驶状况检测装置所检测的行驶状况以及驾驶操作检测装置所检测的驾驶操作来估计驾驶员的驾驶特性，并且基于所估计的驾驶特性对驾驶员的驾驶操作进行诊断。

根据本发明的车辆驾驶辅助方法包括：检测车辆的行驶状况；检测驾驶员的驾驶操作；以及根据所检测的行驶状况以及所检测的驾驶操作来估计驾驶员的驾驶特性，并且，基于所估计的驾驶特性来对驾驶员的驾驶操作进行诊断。

技术效果

根据本发明，由于驾驶诊断是基于根据车辆的行驶状况和驾驶员的驾驶操作所确定/检测的驾驶特性来执行的，驾驶诊断能够得到准确的执行。

附图说明

图1为示出了根据本发明的第一实施例的车辆驾驶辅助系统的控制图。

图2为示出了图1所示的车辆驾驶辅助系统在汽车上如何布置的视图。

图3为示出了第一实施例所实现的驾驶辅助控制程序的处理过程的流程图。

图4为交通道路数据库的结构的示图。

图5为数据结构的示图。

图6为示出了驾驶员操作诊断处理的过程的流程图。

图7(a)和图7(b)为车间时距(time headway)THW的分布和正态分布的示图。

图8(a)至图8(d)为偏差度的计算方法的示图。

图9(a)和图9(b)为“当前时刻”相对于“当日”的偏差度的计算方法的示图。

图10为视觉信息显示的一个实例的示图。

图11为视觉信息显示的另一个实例的示图。

图12为示出了第二实施例所实现的驾驶辅助控制程序的处理过程的流程图。

图13为第二实施例的数据结构的示图。

图14为示出了驾驶员操作诊断处理的过程的流程图。

图15为视觉信息显示的一个实例的示图。

图16为示出了第三实施例所实现的驾驶辅助控制程序的处理过程的流程图。

图17为示出了驾驶员操作诊断处理的过程的流程图。

图18为存储单元(bins)的设置方法的示图。

图19(a)和(b)为待放入存储单元中的初始值的设置方法的示图。

图20为使用众数的偏差度计算方法的示图。

图21为根据本发明的第四实施例的车辆驾驶辅助系统的控制图。

图22为第四实施例所实现的驾驶辅助控制程序的处理过程的流程图。

图23为用于转向角熵计算的符号的列表。

图24为示出了转向角熵的计算处理的过程的流程图。

图25为转向角的存储单元的列表。

图26为长时转向角熵的计算结果的分类的实例。

图27为长时转向角熵的分类之间的关系以及通知内容的实例。

图28为示出了第四实施例的变型1中所实现的驾驶辅助控制程序的处理过程的流程图。

图29为示出了第四实施例的变型1中所实现的驾驶辅助控制程序的处理过程的流程图。

图30为示出了参考状态的α值的计算处理过程的流程图。

图31为转向误差的分类的列表。

图32为转向误差的频率分布列表。

图33为中时转向角熵的计算结果的分类的实例。

图34为中时转向角熵的分类之间的关系以及通知内容的实例

图35为先前中时转向角熵与测得的中时转向角熵的比较结果的分类的实例。

图36为先前中时转向角熵与测得的中时转向角熵的比较结果的分类与告知内容之间的关系的列表。

图37为转向角误差分布的α值的计算结果的分类的实例。

图38为转向角误差分布的α值的分类与通知内容之间的关系的实例。

图39为示出了第四实施例的变型2所实现的驾驶辅助控制程序的处理过程的流程图。

图40为短时转向角熵的计算结果的分类的实例。

图41为短时转向角熵的分类与通知内容之间的关系的实例。

图42为示出了第五实施例中的转向角熵的计算处理过程的流程图。

图43为示出了使用转向角估计误差数据递归地计算分类的概率的方法的流程图。

图44为示出了参考状态的α值的计算处理过程的流程图。

图45为示出了使用转向角估计误差数据递归地获取频率分布的方法的流程图。

图46为示出了根据本发明的第六实施例的车辆驾驶辅助系统的控制图。

图47为示出了第六实施例所实现的驾驶辅助控制程序的处理过程的流程图。

图48为示出了加速器踏板位置熵的计算处理过程的流程图。

图49为长时加速器踏板位置熵的计算结果的分类的实例。

图50为长时加速器踏板位置熵的分类与通知内容之间的关系的实例。

图51为示出了第六实施例的变型1所实现的驾驶辅助控制程序的处理过程的流程图。

图52为示出了第六实施例的变型1所实现的驾驶辅助控制程序的处理过程的流程图。

图53为示出了参考状态的αap值的计算方法的流程图。

图54为示出了中时加速器踏板位置熵的计算结果的分类的实例。

图55为中时加速器踏板位置熵的分类与通知内容之间的关系的实例。

图56为先前中时加速器踏板位置熵与测得的中时加速器踏板位置熵的比较结果的分类的实例。

图57为先前中时加速器踏板位置熵和测得的中时加速器踏板位置熵的比较结果的分类与通知内容之间的关系的实例。

图58为加速器踏板位置误差分布α值计算结果的分类的实例。

图59为加速器踏板位置误差α值分类与通知内容之间的关系的实例。

图60为示出了第六实施例的变型2所实现的驾驶辅助控制程序的处理过程的流程图。

图61为短时加速器踏板位置熵的计算结果的分类的实例。

图62为短时加速器踏板位置熵的分类与通知内容之间的关系的实例。

图63为示出了根据本发明的第七实施例的的车辆驾驶辅助系统的控制图。

图64为示出了图63所示的车辆驾驶辅助系统在汽车上如何布置的视图。

图65为示出了第七实施例所实现的驾驶辅助控制程序的处理过程的流程图。

图66为数据结构的示图。

图67为示出了驾驶员操作诊断处理的过程的流程图。

图68(a)至图68(d)为偏差度计算方法的示图。

图69(a)和图69(b)为使用接触时间TTC的偏差度的计算方法的示图。

图70为视觉信息显示的一个实例的示图。

图71为视觉信息显示的另一个实例的示图。

图72为示出了根据本发明的第八实施例的车辆驾驶辅助系统的控制图。

图73为示出了第八实施例所实现的驾驶辅助控制程序的处理过程的流程图。

图74为示出车道横越时间的变化曲线的实例的时序图。

图75为示出了车道横越时间的频率分布的实例的曲线图。

图76为示出了车道横越时间的变化的实例的曲线图。

图77为示出了驾驶员操作诊断处理的过程的流程图。

图78为示出了第九实施例所实现的驾驶辅助控制程序的处理过程的流程图。

图79为示出了驾驶员操作诊断处理的过程的流程图。

图80为示出了第十实施例所实现的驾驶辅助控制程序的处理过程的流程图。

图81为示出了驾驶员操作诊断处理的过程的流程图。

图82为示出了第十一实施例所实现的驾驶辅助控制程序的处理过程的流程图。

图83为示出了驾驶员操作诊断处理的过程的流程图。

图84为视觉信息显示的一个实例的示图。

图85为视觉信息显示的另一个实例的示图。

图86(a)和图86(b)为使用车速限制的偏差度的计算方法的示图。

图87为示出了根据本发明的第十二实施例的车辆驾驶辅助系统的控制图。

图88为示出了第十二实施例所实现的驾驶辅助控制程序的处理过程的流程图。

图89为示出了驾驶员操作诊断处理的过程的流程图。

图90为视觉信息显示的一个实例的示图。

图91为视觉信息显示的另一个实例的示图。

附图标记说明

5：转向角传感器

10：激光雷达

15：前摄像机

30：车速传感器

35：加速度传感器

50：导航系统

55：加速器踏板位置传感器

60：制动器踏板行程传感器

65：转向信号开关

100、200、250、300、350和400：控制器

130：扬声器

180：显示单元

具体实施方式

《第一实施例》

现在将参考附图说明根据本发明的第一实施例的车辆驾驶辅助系统。图1为示出了根据本发明的第一实施例的车辆驾驶辅助系统1的控制图。图2为示出了车辆驾驶辅助系统1在汽车上如何布置的视图。

首先，将说明车辆驾驶辅助系统1的结构。

安装于车辆的前存储单元栅、保险杠或类似处的激光雷达10水平地发射红外线脉冲以扫描车前的区域。激光雷达10测量被前方多个障碍物(通常为前车的后端)反射回来的红外线脉冲的反射辐射，并且根据反射辐射的到达时间来检测距多个障碍物的车距或距离以及相对速度。测得的车距和相对速度被输出至控制器100。激光雷达10扫描的车前区域大约为平行于车辆纵向中心线的轴线的每侧的±6度，存在于此范围内的物体被检测到。

车速传感器30测量车轮转数或变速器输出端的转数以检测车辆的车速，并且将所检测到的车速输出至控制器100。

导航系统50包括GPS(全球定位系统)接收器、地图数据库、监示器及类似装置，该导航系统50执行路径搜索、辅助路线选择及类似功能。基于通过GPS接收器获取的车辆当前位置和存储于地图数据库中的道路信息，导航系统50获取关于车辆行驶经过的道路的等级、宽度等信息。

制动器踏板行程传感器60检测驾驶员将制动器踏板压下的量(制动器踏板的操作程度)。制动器踏板行程传感器60将所检测到的制动器踏板操作量输出至控制器100。转向信号开关65检测驾驶员是否操作转向信号控制杆，并且将检测信号输出至控制器100。

控制器100由CPU及诸如ROM和RAM的CPU外围部件构成，其控制整个车辆驾驶辅助系统1。基于从激光雷达10、车速传感器30、制动器踏板行程传感器60、转向信号开关65等所接收的信号，控制器100分析驾驶员的驾驶特性并且执行驾驶诊断。然后，基于驾驶诊断结果，控制器100向驾驶员提供信息。提供给驾驶员的信息包括对驾驶员的报警、改进驾驶操作的建议等等。后文将具体描述控制器100的控制内容。

扬声器130用于响应于来自控制器100的信号而以蜂鸣声或语音向驾驶员提供信息。显示单元180用于响应于来自控制器100的信号而显示警报或对驾驶员操作的改进建议。例如，导航系统50的监示器、复合仪表及类似装置可以被用作显示单元180。

接下来，将说明根据第一实施例的车辆驾驶辅助系统1的性能，首先介绍其概况。

基于车辆的行驶状况以及驾驶员的驾驶操作，控制器100执行对驾驶员的驾驶诊断，并且，响应于驾驶诊断结果，对驾驶员发出警报并建议驾驶员改进驾驶操作。更具体地，控制器100检测当车辆正跟随前车情况下的驾驶特性，并且使用所检测到的驾驶特性作为指数执行驾驶诊断。然后，如果驾驶诊断结果表示驾驶员比他平时驾驶得更加危险，即如果驾驶员的驾驶操作倾向较为危险的状态，那么控制器100向驾驶员发出警报，从而提示驾驶员以防止驾驶员的驾驶操作进入高危状态。另一方面，如果驾驶诊断结果表示驾驶员的驾驶操作比公众的驾驶操作水准更好，那么控制器100向驾驶员提供该信息以鼓励更安全的驾驶或提出改进建议。

因此，第一实施例所实现的车辆驾驶辅助系统1包括三个功能，即通过驾驶诊断来检测驾驶员的驾驶操作的功能、响应于所检测到的结果向驾驶员发出警报的功能、以及响应于所检测到的结果向驾驶员提供改进建议的功能。因此，车辆驾驶辅助系统1允许并鼓励驾驶员客观地审视自身的驾驶特性，并且根据该驾驶特性向驾驶员提供建议，从而使得驾驶员能够获知降低危险的驾驶方法。

现在将参考图3具体说明根据第一实施例的车辆驾驶辅助系统1的性能。图3为第一实施例所实现的控制器100所执行的驾驶辅助控制处理过程的流程图。该处理以例如每50msec的规律的时间间隔连续地执行。

首先，在步骤S400中检测车辆的行驶状况。这里，控制器100获取车速传感器30所检测到的车速V以及激光雷达10所检测到的车辆与前车之间的车距D和相对车速Vr，以作为车辆的行驶状况。在步骤S405中，检测驾驶员的操作状态。这里，控制器100获取制动器踏板行程传感器60所检测到的制动器踏板操作量以及转向信号开关65所检测到的转向信号控制杆是否被操作，以作为驾驶员的操作状态。

在步骤S407中，为了确定车辆的交通场景(后文将描述)，控制器100计算车辆与前车之间的接触时间(time to contact)TTC和车间时距(time headway)THW。接触时间TTC为代表车辆相对于前车的当前接近程度的物理量。接触时间TTC表示在保持当前的行驶状况，即车速V以及相对车速Vr保持不变的情况下，车距D变成零且车辆与前车互相接触所需要的秒数。接触时间TTC由下述公式(1)表示。

TTC＝D/Vr  (公式1)

车间时距THW为代表当车辆跟随前车时预计的前车未来速度变化对接触时间TTC的影响程度(即假设相对车速Vr变化时的影响程度)的物理量。车间时距THW为车距D除以车速V的商，代表车辆到达前车的当前位置所需的时间。车间时距THW由下述公式(2)表示。

THW＝D/V  (公式2)

在步骤S410中，确定车辆的交通场景。通过对车辆行驶状况和驾驶员操作状态的条件进行限制可以增加驾驶诊断的准确性，并且，为了减少在响应于驾驶诊断结果向驾驶员提供信息时对驾驶员造成的不便，对车辆的交通场景进行测定，使得仅在一种特定的交通场景中执行驾驶诊断。更具体地，仅在车辆稳定跟随同一辆前车的交通场景中才执行驾驶诊断。

以下为稳定跟车交通场景的条件的实例。

(a)车辆正跟随同一辆前车(例如，当前车距与先前测量的车距之差小于4米)

(b)车辆未迅速靠近(例如，接触时间TTC大于10秒)

(c)车间时距THW等于或小于预定值(例如，车间时距THW小于4秒)

(d)驾驶员未执行制动操作(例如，制动器踏板操作量基本为零)

(e)驾驶员未执行转向信号控制杆操作(例如，未从转向信号开关65接收到ON信号)

(f)以上条件(a)至(e)持续(例如5秒钟或更久)

当条件(a)至(f)均得到满足，控制器100确定车辆的交通场景为稳定跟车交通场景，且控制流程前进至步骤S412，以使控制器100执行驾驶诊断。另一方面，如果条件(a)至(f)中的任意一项没有得到满足，控制器100确定车辆的交通场景不符合特定的交通场景，不执行驾驶诊断并终止处理。应当注意，控制器100确定车辆的交通场景是否为稳定跟车交通场景所依据的条件并不限于上述条件(a)至(f)。此外，可以使用其它的检测装置检测制动器是否被操作和转向信号控制杆是否被操作。

在步骤S412中，控制器100确定行驶位置。更具体地，基于数据库，控制器100为导航系统50的地图信息所描述的路段ID(1inkID，路段标识)标记指数。路段ID为分配给将节点连接在一起的路段的ID，节点为车道属性改变的属性改变点。每个路段具有道路等级、路段长度(节点之间的距离)等数据。在步骤S414中，控制器100记录当前时间。

在步骤S416中，基于步骤S412和步骤S414中的标记结果，控制器100储存用于执行驾驶员的驾驶诊断的数据。这里，例如如图4所示，当前时间(即车辆在路段中行驶的时间)、行驶距离、路段中的跟车特性指标、路段中的行驶次数等等被写入每个路段ID的结构中，以建立交通道路数据库。在第一实施例中，车间时距THW被用作代表驾驶员跟车特性的物理量。在驾驶诊断处理中将具体说明跟车特性和跟车特性指数的计算方法。

在下一个步骤S420中，步骤S416所储存的数据被用于执行对驾驶员的驾驶诊断。基于在车辆稳定跟随前车的交通场景中的驾驶员驾驶特性来执行驾驶诊断。车辆跟随前车时的驾驶特性包括例如车辆和前车的车间时距THW、车间时距THW的倒数、车距、车距的倒数等。在第一实施例中，以使用车间时距THW的情况作为实例进行说明。

图5示出了车辆驾驶辅助系统1的数据结构。A层代表相对短时的“当前时刻”的数据量，该数据量表示驾驶员当前的操作状态。B层代表“当日”的数据量，该数据量表示长于“当前时刻”的当天的驾驶员操作状况。C层代表“通常”的数据量，该数据量表示驾驶员比“当日”更长的通常的操作状况，即个人特性。D层代表“公众”的驾驶特性的数据量，该数据量被用作将每个驾驶员的操作与普通驾驶员比较以对每个驾驶员的操作进行诊断。

越低的层的数据量越大。每个层中包含的数据量对应于用于计算“当前时刻”、“当日”和“通常”的车间时距THW平均值的样本数量。图5所示的数据结构是通过改变样本数量来实现的。每一层中包含的数据的值通过下文所说明的实时计算持续地更新。

在驾驶诊断处理中，控制器100使用A层到D层中每一层的数据以检测不同时间跨度(即“当前时刻”、“当日”和“通常”)内的驾驶员的操作。将参考图6的流程图具体说明步骤S420所执行的驾驶诊断处理。

在步骤S422中，计算“当前时刻”的驾驶员跟车特性值以执行对驾驶员“当前时刻”的驾驶诊断。控制器100计算在限定“当前时刻”的预定的时间段内的车间时距THW的平均值Mean_x(n)和标准差Stdev_x(n)，以作为驾驶员的跟车特性值。这里，限定“当前时刻”的预定的时间段为例如60秒，并且使用在步骤S410中确定的稳定跟车交通场景中所检测到的从过去到现在的60秒的数据来计算车间时距THW的平均值Mean_x(n)和标准差Stdev_x(n)。使用下列参数计算平均值Mean_x(n)和标准差Stdev_x(n)。

x(n)：本次获取的数据，即步骤S407中所计算的车间时距THW

K：在预定时间段内所计算的THW数据的数量

M₁(n)：在本次待计算的预定时间段内的THW的总和

M₂(n)：在本次待计算的预定时间段内的THW的平方和

M₁(n-1)：在上次计算的预定时间段内的THW的总和

M₂(n-1)：在上次计算的预定时间段内的THW的平方和

Mean_x(n)：本次数据的平均值，即THW的平均值

Var_x(n)：本次数据的方差，即THW的方差

Stdev_x(n)：本次数据的标准差，即THW的标准差

这里，数据数量K由预定的时间段乘以每秒的采样数量的乘积确定。例如，当“当前时刻”的预定时间为60秒而采样频率为5Hz时，数据数量K＝300。

使用具有这些参数的如下公式(3)和公式(4)分别计算和M₁(n)以及平方和M₂(n)。

M₁(n)＝M₁(n-1)+x(n)-M₁(n-1)/K       (公式3)

M₂(n)＝M₂(n-1)+(x(n))²-M₂(n-1)/K    (公式4)

分别使用如下公式(5)、公式(6)和公式(7)计算“当前时刻”的车间时距THW的平均值Mean_x(n)、方差Var_x(n)和标准差Stdev_x(n)。

Mean_x(n)＝M₁(n)/K               (公式5)

Var_x(n)＝M₂(n)/K-(M₁(n))²/K²    (公式6)

Stdev_x(n)＝√(Var_x(n))         (公式7)

在步骤S424中，为了执行驾驶员“当日”的驾驶诊断，控制器100计算“当日”的驾驶员的跟车特性值，即在限定“当日”的预定的时间段内车间时距THW的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“当日”的预定的时间段为例如360秒，并且使用在步骤S410中确定的稳定跟车交通场景中所检测到的从过去到现在的360秒的数据来计算车间时距THW的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(5)和公式(7)来计算平均值Mean_x(n)和标准差Stdev_x(n)。这里，数据数量K＝1800，其中“当日”的预定时间为360秒，采样频率为5Hz。

在步骤S426中，为了执行驾驶员的“通常”的驾驶诊断，控制器100计算“通常”的驾驶员的跟车特性值，即在限定“通常”的预定的时间段内车间时距THW的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“通常”的预定的时间段为例如2160秒，并且控制器100使用在步骤S410中确定的稳定跟车交通场景中所检测到的从过去到现在的2160秒的数据来计算车间时距THW的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(5)和公式(7)来计算平均值Mean_x(n)和标准差Stdev_x(n)。这里，数据数量K＝10800，其中“通常”的预定时间为2160秒，采样频率为5Hz。

在下一个步骤S428之后的处理中，使用在步骤S422、S424和S426中计算的跟车特性值来执行对驾驶员的驾驶诊断。这里，比较每个基于在不同时间跨度内所获取数据的驾驶员跟车特性，从而基于两跟车特性之间的偏差大小对驾驶员的驾驶操作进行诊断。换句话说，在图5所示的数据结构中，将较高层(如A层)与较低层(如B层)进行比较以执行驾驶诊断。

首先，在步骤S428中，控制器100计算表示“当前时刻”的驾驶员跟车特性偏离“当日”的驾驶员跟车特性的程度的偏差度。这里，“当前时刻”相对于“当日”的偏差度表示“当日”的车间时距THW的分布与“当前时刻”的车间时距THW的分布之间的差异。为了计算“当前时刻”相对于“当日”的偏差度，“当日”的车间时距THW的分布被用作代表长时行为分布的参考分布，而“当前时刻”的车间时距THW的分布被用作代表短时行为分布的比较对象。

作为一种偏差度的计算方法，采用在长时行为分布的“平均值减去标准差”的位置(也称为比较值x_std)处将短时(例如“当前时刻”)的分布函数和长时(例如“当日”)的分布函数进行比较的方法。

为了计算偏差度，在假设车间时距THW为正态分布的情况下，使用在步骤S422和S424中计算出的车间时距THW的平均值Mean_x(n)和标准差Stdev_x(n)来计算概率密度函数。图7(a)示出了实际计算的车间时距THW的频率分布以及通过正态分布近似得出的车间时距THW的概率密度分布(以实线示出)，而图7(b)示出了它们的累积分布。如图7(a)和图7(b)所示，假设车间时距THW为正态分布时的分布与实际分布良好吻合。

如图8(a)和图8(b)所示，控制器100计算偏差度Dist_diff，该偏差度Dist_diff表示在基于预定值(比较值x_std)设定的比较对象的区域中，比较对象的短时正态分布偏离参考长时正态分布的程度。更具体地，在车间时距THW小于比较值x_std的区域内，比较分布与参考分布之间的差(图8(a)中阴影部分的面积以及图8(b)中的箭头长度)对应于偏差度Dist_diff。后文将描述图8(c)和图8(d)中所示的计算方法。

图9(a)和图9(b)示出了基于通过公路实验获取的结果所计算的概率密度分布和累积分布。在图9(a)中，以点划线示出了使用“当前时刻”的平均值Mean_x(n)和标准差Stdev_x(n)通过正态分布近似得出的车间时距THW的概率密度分布，而以实线示出了使用“当日”的平均值Mean_x(n)和标准差Stdev_x(n)通过正态分布近似得出的车间时距THW的概率密度分布。在图9(b)中，以点划线示出了“当前时刻”的累积分布，而以实线示出了“当日”的累积分布。在图9(a)和图9(b)中，“当前时刻”的车间时距的平均值Mean_x(n)＝1.22，其标准差Stdev_x(n)＝0.80，“当日”的车间时距的平均值Mean_x(n)＝1.63，其标准差Stdev_x(n)＝1.00。

首先，使用下述公式(8)以参考分布的平均值Mean_std和标准差Stdev_std计算比较值x_std。

x_std＝Mean_std-Stdev_std    (公式8)

比较值x_std是车间时距THW的一个值，其表示参考分布与比较分布进行比较的点，其对应于图8(a)和图8(b)中以虚线示出的位置。

下面，计算在参考分布的比较值x_std处的累积分布的值。使用下述公式(9)计算正态分布的概率密度函数f(x)，其中以μ表示平均值，以σ表示标准差(参见图8(a))。

$f\left(x\right)=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}]}$ (公式9)

对使用公式(9)计算出的概率密度函数f(x)进行积分以得到累积分布函数F(x)，如下述公式(10)所示(参见图8(b))。

$F\left(x\right)=\∫\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}]}\mathrm{dx}$ (公式10)

使用下述公式(11)计算比较值x_std处累积分布的概率F_std(x)，其中以μ_std表示参考分布的平均值，以σ_std表示标准差。

$F_{\mathrm{std}}\left(x\right)=\∫\frac{1}{{\mathrm{\σ}}_{\mathrm{std}}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(x-{\mathrm{\μ}}_{\mathrm{std}})}^2}{2{{\mathrm{\σ}}_{\mathrm{std}}}^2}]}\mathrm{dx}$ (公式11)

然后，计算比较分布的比较值x_std处累积分布的值。使用下面的公式(12)计算比较值x_std处累积分布的概率F_comp(x)，其中以μ_comp表示比较分布的平均值，而以σ_comp表示标准差。

$F_{\mathrm{comp}}\left(x\right)=\∫\frac{1}{{\mathrm{\σ}}_{\mathrm{comp}}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(x-{\mathrm{\μ}}_{\mathrm{comp}})}^2}{2{{\mathrm{\σ}}_{\mathrm{comp}}}^2}]}\mathrm{dx}$ (公式12)

使用下面的公式(13)计算参考的累积分布的概率F_std(x)与比较对象的累积分布的概率F_comp(x)之间的差，作为“当前时刻”相对于“当日”的偏差度。

Dist_diff＝F_comp(x)-F_std(x)        (公式13)

已经表明，随着偏差度Dist_diff在正向上增加，“当前时刻”的驾驶员操作偏向车间时距THW小于“当日”的车间时距THW的方向，即更加危险的方向。已经表明，随着偏差度Dist_diff在负向上增加，“当前时刻”的驾驶员操作偏向车间时距THW大于“当日”的车间时距THW的方向，即较小危险的方向。当驾驶员始终以同样的跟车特性进行操作时，偏差度Dist_diff为零。

在步骤S428中，控制器100计算“当前时刻”相对于“通常”的偏差度Dist_diff。在这种情况下，“通常”的车间时距THW的分布被用作表示长时行为分布的参考分布，而“当前时刻”的车间时距THW的分布被用作表示短时行为分布的比较对象。然后，使用“通常”的累积分布的概率F_std(x)和“当前时刻”的累积分布的概率F_comp(x)，借助于上述公式(13)来计算“当前时刻”相对于“通常”的偏差度Dist_diff。

由此，在步骤S428中，控制器100分别计算“当前时刻”相对于“当日”的偏差度Dist_diff以及“当前时刻”相对于“通常”的偏差度Dist_diff，然后控制流程进行至步骤S430。在步骤S430中，与在步骤S428中执行的处理的情况一样，控制器100计算“当日”相对于“通常”的偏差度Dist_diff。应当注意，这里将“通常”的车间时距THW的分布用作表示长时行为分布的参考分布，而将“当日”的车间时距THW的分布用作表示短时行为分布的比较对象分布。

在下一个步骤S432中，与在步骤S428中执行的处理的情况一样，控制器100计算“通常”相对于“公众”的偏差度Dist_diff。应当注意，这里“公众”的车间时距THW的分布被用作表示长时行为分布的参考分布，而“通常”的车间时距THW的分布被用作表示短时行为分布的比较对象分布。

由此，在使用多个不同的时间跨度内获取的数据在步骤S420中执行驾驶员的驾驶诊断之后，控制流程进行至步骤S440。应当注意，为简单起见，将以Dist_1a表示“当前时刻”相对于“通常”的偏差度Dist_diff，将以Dist_1b表示“当前时刻”相对于“当日”的偏差度Dist_diff，将以Dist_2表示“当日”相对于“通常”的偏差度Dist_diff，而将以Dist_3表示“通常”相对于“公众”的偏差度Dist_diff。

在步骤S440中，控制器100基于步骤S420中的驾驶诊断结果来确定是否执行报警处理。这里，控制器100确定在步骤S428中计算出的“当前时刻”相对于“通常”的偏差度Dist_1a和“当前时刻”相对于“当日”的偏差度Dist_1b、以及在步骤S430中计算出的“当日”相对于“通常”的偏差度Dist_2是否大于极限值(例如0.30)，该极限值用于确定是否发出警报。当偏差度Dist_1a、Dist_1b和Dist_2大于极限值时，控制流程进行至步骤S450，使得控制器100向驾驶员发出警报。发出警报后，控制器100终止处理。

例如，在“当日”相对于“通常”的偏差度Dist_2大于极限值的情况下，扬声器130发出“今天您的车距短于平时车距，请注意安全驾驶”的语音以及蜂鸣声。设置语音信息的内容以告知驾驶员，驾驶员目前的车距短于平时车距，或者劝告驾驶员增加当前车距。当“当前时刻”相对于“通常”的偏差度Dist_1a大于极限值时，扬声器130发出例如“您在赶时间吗？请注意安全驾驶”的语音以及蜂鸣声。应当注意，实际语音信息并不限于此。当“当前时刻”相对于“当日”的偏差度Dist_1b大于极限值时，也发出预设的适当的语音信息。

如果在步骤S440中作出否定决定且没有发出警报，控制流程进行至步骤S460且控制器100基于步骤S420中的驾驶诊断结果来确定是否执行发出指示处理。这里，控制器100确定步骤S432中计算的“通常”相对于“公众”的偏差度Dist_3是否小于极限值(例如0.07)，该极限值用于确定是否发出指示(改进建议)。用于确定是否发出指示的极限值为适当的预设值，同一个驾驶员的偏差度基本上总是落在该预设值的范围内。上述值“0.07”是基于应用了实车和15名测试对象的实验的结果而设置的。根据实验结果，每个测试对象的计算出的偏差度总是小于或等于0.07。

如果Dist_3小于极限值，控制流程进行至步骤S470且控制器100向驾驶员发出指示。发出指示之后，控制器100终止处理。

例如，作为发出指示的内容，控制器100输出表扬驾驶者的驾驶操作的显示和语音。例如，将“通常”的偏差度Dist_3转换为分数并显示出来。更具体地，将对偏差度Dist_3的符号取反并加50所得到的值显示在显示单元180上，作为驾驶员通常驾驶操作的分数。换句话说，通常具有较高风险的驾驶员得到的分数小于或等于50分，而安全驾驶的驾驶员得到的分数大于或等于50分。应当注意，分数在0到100分范围内，如果转换偏差度Dist_3得到的分数大于100，则向驾驶员显示100分，当转换偏差度Dist_3得到的分数小于0，则向驾驶员显示0分。

如图10所示，将公众的车距分布的示意图显示在显示单元180上，以告知驾驶员其“通常”的车距与公众的车距比较。图10表示驾驶员的车距高于公众的平均车距两个等级，以视觉信息告知驾驶员：驾驶员的跟车特性比公众的跟车特性更加安全。

此外，通过扩音器130发出的语音，控制器100告知驾驶员，该驾驶员的通常车距大于公众的通常车距，因此该驾驶员为安全跟车行驶的优秀驾驶员。例如，发出“您开车很小心。请继续保持！”的语音。从而，控制器100输出显示和语音以告知驾驶员，其跟车驾驶特性比公众驾驶员的跟车驾驶特性要好，并鼓励驾驶员保持良好的操作或改进其操作。

应当注意，虽然上述显示和语音的实例包括驾驶员所熟悉的“车距”这一措辞，显示和语音也可以包括“车间时距”的措辞。显示和语音的内容并不限于上述实例，只要向驾驶员有效地传达操作特性，以警告驾驶员避免操作处于危险状态以及建议对操作进一步改进即可。

图11中示出了基于驾驶诊断结果的另一种显示的实例。在图11中，竖直轴线代表与公众的跟车特性相比较的驾驶员的个人特性，而水平轴线代表与驾驶员的通常跟车特性相比较的驾驶员的当前状态。如前文所描述的，例如可以将车间时距THW和车距用作跟车特性。当在步骤S430中计算的“当日”相对于“通常”的偏差度变大时，标记M向右(即向高危险的方向)移动。当在步骤S432中计算的“通常”相对于“公众”的偏差度变大时，标记M向上(即向高危险的方向)移动。

由此，在图11所示的显示实例中，基于“公众”的驾驶诊断结果和“通常”的驾驶诊断结果(即基于驾驶员个人特性的驾驶诊断结果)被绘制在由两条轴线构成的二维图上。应当注意，水平轴线可以表示“当前时刻”相对于“当日”的偏差度或者“当前时刻”相对于“通常”的偏差度。此外，竖直轴线和水平轴线可以互相调换并显示。

此外，如图11所示，二维图可以被划分为分别具有不同颜色的多块，使得驾驶员能够容易地理解驾驶员的跟车特性所绘制的位置。例如，图11的右上块可以显示为例如深红的深色，而左下块可以显示为例如浅蓝的浅色，在其之间可以使用渐变色。

以上说明的第一实施例能够实现下述操作和优点。

(1)车辆驾驶辅助系统1检测车辆的行驶条件和驾驶员的驾驶操作，并且根据行驶条件和驾驶操作估计驾驶员的驾驶特性。然后，基于所估计的驾驶特性，车辆驾驶辅助系统1对驾驶员的驾驶操作进行诊断。因为驾驶员的实际驾驶操作取决于驾驶员的个人特性以及环境因素(例如行驶条件)，通过根据驾驶操作和行驶条件检测驾驶特性保证了准确的驾驶诊断。

(2)车辆驾驶辅助系统1存储检测到的行驶条件和驾驶操作的数据，并使用所存储数据中有限的时间位置和时间范围内的数据执行驾驶诊断。时间位置代表时间轴上数据被检测到的时间点(例如现在、一天前、十天前等)，而时间范围代表数据被检测到的时间段(例如一分钟、十分钟、一天等)。这允许车辆驾驶辅助系统1计算驾驶员的驾驶操作的暂时变化以实现准确的驾驶诊断。

(3)在存储了预定量或更多的行驶条件和驾驶操作的数据之后，控制器100使用所存储的数据执行驾驶诊断。也就是说，控制器100使用足够用于确定驾驶员驾驶特性的数据量来执行驾驶诊断，从而保证了驾驶诊断的准确性。

(4)控制器100通过为所检测的行驶条件和驾驶操作设置多个时间范围、对每个时间范围内的获取的数据进行实时更新、并对多个数据进行比较来执行驾驶诊断。例如，控制器100对长时间内获取的数据和短时间内获取的数据均进行实时更新，并对所述那些数据进行比较。这允许控制器100检测驾驶员的驾驶操作中的暂时变化，以保证准确的驾驶诊断。

(5)控制器100通过获取表示当前行驶条件和驾驶操作的第一时间段的数据(短时数据)以及表示当天行驶条件和驾驶操作的长于第一时间短的第二时间段的数据(中时数据)，并且通过将第一时间段的数据和第二时间段的数据进行比较来执行驾驶诊断。这允许控制器100检测驾驶员当前的驾驶操作相对于当天的驾驶操作的变化，并准确地诊断当前驾驶操作是否良好。

(6)控制器100通过获取表示通常行驶条件和驾驶员的驾驶操作的数据(长时数据)并将该数据与其它时间范围内获取的其它数据进行比较来执行驾驶诊断。更具体地，控制器100通过将长时数据与公众驾驶员数据、短时数据等进行比较来执行驾驶诊断。这保证从驾驶员的通常驾驶操作是否优于公众的通常驾驶操作，或者当前驾驶操作相对于通常驾驶操作如何变化的观点出发的准确驾驶诊断。

(7)控制器100使用不同时间范围内的多个数据之间的在预定范围内的值的差来执行驾驶诊断。例如，如图8(a)和图8(b)所示，控制器100计算两个车间时距分布的数据在小于或等于比较值x_std的范围内的概率的差。这允许控制器100计算在车间时距THW短、风险高的区域内的驾驶特性的差异，以执行准确的驾驶诊断。

(8)在假设不同时间范围内的多个数据的分布分别具有特定的形式的情况下，控制器100通过获取所述多个数据的分布参数来计算多个数据分布。更具体地，在假设数据均符合正态分布的情况下，控制器100通过获取数据分布的平均值和标准差来计算多个数据分布。如图7(a)和图7(b)所示，由于实际数据与正态分布良好吻合，数据被近似为正态分布以进行有效的数据对比。

(9)控制器100通过计算多个数据的每个数据的数据分布、根据所计算的多个数据分布中的参考数据分布来设置预定范围、并且使用预定范围内的多个数据之间的差值来执行驾驶诊断。更具体地，控制器100使用参考分布的平均值和标准差以计算比较值x_std。这允许控制器100精确地计算比较对象的数据分布偏离参考数据分布的程度。应当注意，虽然在图8(a)和图8(b)所示的实例中，小于或等于比较值x_std的区域被设置为预定范围，也可以将大于比较值x_std的范围设置为预定范围，或者可以将比较值x_std设定用于车间时距THW较大的区域。

(10)控制器100使用根据多个数据中具有最广时间范围的数据所计算的数据分布作为参考数据分布。例如，当已获取驾驶员的通常数据和当前时刻的数据时，控制器100使用从通常数据获取的数据分布作为参考。因此，控制器100使用具有更广时间范围的数据作为参考以确定比较对象的数据并精确地执行驾驶诊断。

(11)计算当车辆跟随前车时车辆与前车的车间时距THW作为表示驾驶员驾驶特性的指数。因为车间时距THW表示车辆到达前车当前位置所需的时间段，所以当车辆跟随前车时通过使用车间时距THW作为表示驾驶员驾驶特性的指数，能够在跟车交通场景中保证准确的驾驶诊断。

-第一实施例的变型-

现在将说明偏差度Dist_diff的另一种计算方法。这里，长时间段(如“当日”)的行为分布和短时间段(如“当前时刻”)的行为分布均被近似为正态分布，以计算两个正态分布不重合的范围的面积大小作为偏差度Dist_diff。

更具体地，如图8(c)和图8(d)所示，计算在车间时距THW小于参考分布和比较分布的交叉点α的区域内的比较分布和参考分布之间的差，即比较分布脱离参考分布的区域的面积大小，以作为偏差度Dist_diff。

将参考分布的平均值μ_std和标准差σ_std以及比较分布的平均值μ_comp和标准差σ_comp代入公式(9)，参考分布的概率密度函数f_std(x)和比较分布的概率密度函数f_comp(x)分别由以下公式(14)和公式(15)表示。

$f_{\mathrm{std}}\left(x\right)=\∫\frac{1}{{\mathrm{\σ}}_{\mathrm{std}}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(x-{\mathrm{\μ}}_{\mathrm{std}})}^2}{2{{\mathrm{\σ}}_{\mathrm{std}}}^2}]}$ (公式14)

$f_{\mathrm{comp}}\left(x\right)=\∫\frac{1}{{\mathrm{\σ}}_{\mathrm{comp}}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(x-{\mathrm{\μ}}_{\mathrm{comp}})}^2}{2{{\mathrm{\σ}}_{\mathrm{comp}}}^2}]}\mathrm{dx}$ (公式15)

计算公式(14)和公式(15)的联立方程，分布频率在两点α和β(α＜β)处重合。为了得到车间时距THW小于交叉点α的区域内两个正态分布不重合的范围的面积，将交叉点α代入用于计算参考分布的累积分布函数的上述公式(11)以及用于计算比较分布的累积分布函数的上述公式(12)。然后，以交叉点α处的比较分布的累积分布概率F_comp(α)减去参考分布的累积分布概率F_std(α)。

使用下述公式(16)计算偏差度Dist_diff。

-Dist_diff＝F_comp(α)-F_std(α)(公式16)

应当注意，使用下述公式(17)计算两个正态分布重合的区域Dist_corr。

-Dist_corr＝1--Dist_diff    (公式17)

因此，可以通过比较时间范围不同的多个数据的分布并且计算分布的符合度(即分布重合的面积)来执行驾驶诊断。

《第二实施例》

现在将说明根据本发明的第二实施例的车辆驾驶辅助系统。根据第二实施例的车辆驾驶辅助系统的基本结构与图1所示的第一实施例的车辆驾驶辅助系统一样。因此，现在将主要说明与前述第一实施例的差别。

根据第二实施例的车辆驾驶辅助系统1在过去行驶数据与当前行驶数据的行驶条件(如一天中的时间和地点)一致的情况下，通过将过去行驶数据与当前行驶数据进行比较来执行对驾驶员的驾驶诊断。

现在将参考图12具体说明根据第二实施例的车辆驾驶辅助系统1的性能。图12为示出第二实施例所实现的控制器100所执行的驾驶辅助控制处理过程的流程图。该处理以例如每50msec的规律的时间间隔连续地执行。

首先，在步骤S500中，控制器100获取车速传感器30所检测到的车速V以及激光雷达10所检测到的车辆与前车之间的车距D和相对车速Vr，作为车辆的行驶状况。在步骤S502中，控制器100获取制动器踏板行程传感器60所检测到的制动器踏板操作量以及转向信号开关65所检测到的转向信号控制杆是否被操作，作为驾驶员的操作状态。在步骤S503中，为了确定后文将描述的车辆交通场景，控制器100计算车辆和前车之间的接触时间TTC和车间时距THW。

在步骤S504中，控制器100确定行驶位置，而在步骤S506中，控制器100记录行驶时间。然后，在步骤S508中，基于在步骤S504和S506中所标记的结果，控制器100储存用于执行驾驶员的驾驶诊断的数据。在数据存储之前的处理与第一实施例中的基本一样。但是，控制器100在确定行驶记录之后确定交通场景。

在下一个步骤S510中，控制器100确定在步骤S508中建立的交通道路数据库中是否存在车辆当前正行驶的道路的数据库。换句话说，控制器100确定车辆是否已经行驶过当前正在行驶的道路，并且因此已经存储有空间位置和范围与车辆当前位置对应的过去数据。如果存在该数据库，控制流程进行至步骤S515，而如果不存在该数据库，控制器100终止处理。

在步骤S515中，确定车辆的交通场景。当前述条件(a)到(f)均满足时，控制器100确定车辆的交通场景为稳定跟车行驶场景，且控制流程进行至S520，以使控制器100执行驾驶诊断。另一方面，在条件(a)到(f)中的任意一个没有得到满足的情况下，控制器100确定车辆的交通场景不符合特定的交通场景，不执行驾驶诊断并终止处理。

在下一个步骤S520中，步骤S508所储存的数据被用于执行对驾驶员的驾驶诊断。基于车辆在同样的行驶条件(即同样的空间位置和范围)下稳定跟随前车的交通场景中的驾驶员的驾驶特性来执行驾驶诊断。车辆跟随前车时的驾驶特性包括例如车辆和前车的车间时距THW、车间时距THW的倒数、车距、车距的倒数等。在第二实施例中，以使用车间时距THW的情况作为实例进行解释。

图13示出了第二实施例中所实现的车辆驾驶辅助系统1的数据结构。A层代表相对短时的“当前时刻”的数据量，该数据量表示驾驶员当前的操作状况。B层代表“当日”的数据量，该数据量表示长于“当前时刻”的当天的驾驶员操作状况。C层代表“通常”的数据量，该数据量表示驾驶员比“当日”更长的通常的操作状况，即个人特性。D层代表“公众”的驾驶特性的数据量，该数据量被用作将每个驾驶员的操作与普通驾驶员比较以对每个驾驶员的操作进行诊断。

越低的层的数据量越大。每个层中包含的数据量对应于用于计算“当前时刻”、“当日”和“通常”的车间时距THW平均值的样本数量。图13所示的数据结构是通过改变样本数量来实现的。每一层中包含的数据的值通过第一实施例中所说明的实时计算持续地更新。

在第二实施例中，存储了沿着同样道路的过去行驶的跟车数据，且控制器100将先前行驶的数据(或者过去行驶的所有数据)与本次的数据进行比较以确定驾驶员“当前时刻”和“当日”的驾驶操作。将参考图14的流程图具体说明在步骤S520中所执行的驾驶诊断处理。

在步骤S522中，为了执行对驾驶员“当前时刻”的驾驶诊断，控制器100使用前述公式(5)和公式(7)来计算驾驶员“当前时刻”的跟车特性值，即在限定“当前时刻”的预定时间段内的车间时距THW的平均值Mean_x(n)和标准差Stdev_x(n)。在步骤S524中，为了执行对驾驶员“当日”的驾驶诊断，控制器100使用前述公式(5)和公式(7)以计算驾驶员“当日”的跟车特性，即在限定“当日”的预定时间段内的车间时距THW的平均值Mean_x(n)和标准差Stdev_x(n)。

在步骤S526中，控制器100读取过去数据，所述过去数据作为用于将当前的跟车特性与过去的跟车特性进行比较的参考。这里，从数据库中读取沿着同样道路的先前行驶的跟车特性数据，更具体地，车间时距THW的平均值Mean_x(n)和标准差Stdev_x(n)。

在步骤S528和步骤S530后的处理中，使用在步骤S522和S524中计算的跟车特性值来执行对驾驶员的驾驶诊断。这里，将当前的驾驶员跟车特性与基于沿着同样道路的先前行驶所获取的数据的驾驶员跟车特性进行比较，从而控制器100基于两跟车特性之间的偏差大小对驾驶员的驾驶操作进行诊断。换句话说，在图13所示的数据结构中，例如将本次的A层与先前的A层进行比较以执行驾驶诊断。

首先，在步骤S528中，控制器100计算表示本次的“当前时刻”驾驶员跟车特性偏离先前行驶的“当前时刻”驾驶员跟车特性的程度的偏差度。这里，本次的“当前时刻”相对于先前行驶的“当前时刻”的偏差度表示先前行驶的“当前时刻”的车间时距THW的分布与本次的“当前时刻”的车间时距THW的分布之间的差异。先前行驶的“当前时刻”的车间时距THW的分布被用作参考分布，而本次的“当前时刻”的车间时距THW的分布被用作比较对象分布。

更具体地，控制器100使用在第一实施例中所说明的图8(a)和图8(b)所示的计算方法或者图8(c)和图8(d)所示的计算方法，根据上述公式(13)或公式(16)来计算本次的“当前时刻”相对于先前行驶的“当前时刻”的偏差度Dist_diff。

在步骤S530中，与在步骤S528中的情况一样，控制器100计算本次的“当日”相对于先前行驶的“当日”的偏差度Dist_diff。应当注意，这里将沿着同样道路的先前行驶的“当日”的车间时距THW的分布用作参考分布，而将本次的“当日”的车间时距THW的分布用作比较对象分布。

因此，在控制器100使用沿着同样道路的过去行驶的数据和本次行驶的数据执行对驾驶员的驾驶诊断之后，控制流程进行至步骤S540。应当注意，为了简单起见，将以Dist_10表示本次的“当前时刻”相对于先前行驶的“当前时刻”的偏差度Dist_diff，而将以Dist_20表示本次的“当日”相对于先前行驶的“当日”的偏差度Dist_diff。

在步骤S540中，控制器100基于步骤S520中的驾驶诊断结果确定是否执行报警处理。这里，控制器100决定在步骤S528中计算出的本次的“当前时刻”相对于先前行驶的“当前时刻”的偏差度Dist_10，或者在步骤S530中计算出的本次的“当日”相对于先前行驶的“当日”的偏差度Dist_20是否大于极限值(例如0.30)以发出警报。当偏差度Dist_10或Dist_20大于极限值时，控制流程进行至步骤S550，使得控制器100向驾驶员发出警报。发出警报后，控制器100终止处理。

例如，在“当日”相对于之前的偏差度Dist_20大于极限值的情况下，扬声器130发出“今天您的车距短于平时车距，请注意安全驾驶”的语音以及蜂鸣声。设置语音信息的内容以告知驾驶员，驾驶员当前的车距短于以前的车距，或者劝告驾驶员增加当前车距。应当注意，根据不同情况，即本次的“当日”相对于前次的“当日”的偏差度Dist_20大于极限值的情况、本次的“当前时刻”相对于前次的“当前时刻”的偏差度Dist_10大于极限值的情况、以及偏差度Dist_10和Dist_20均大于极限值的情况，可以改变语音信息的内容。

此外，如图15所示，可以在显示单元180上以视觉信息向驾驶员显示当前车距的趋势。在图15所示的显示的实例中，示意性地显示了参考分布(例如，先前行驶的车距分布、公众的车距分布等等)，以告知驾驶员其本次车距与参考分布的比较。图15表示驾驶员的车距低于参考分布的平均值两个等级，以视觉信息告知驾驶员其当前车距较短。

如果步骤S540中做出了否定决定且没有发出警报，控制流程进行至步骤S560且控制器100基于步骤S520中的驾驶诊断结果来确定是否执行发出指示处理。这里，控制器100决定在步骤S528中所计算的本次的“当前时刻”相对于前次的“当前时刻”的偏差度Dist_10以及在步骤S530中所计算的本次的“当日”相对于前次的“当日”的偏差度Dist_20是否为负值。

如果Dist_10或Dist_20为负值，并且与前次相比，本次驾驶员的驾驶操作已经得到了改进，那么控制流程进行至步骤S570且控制器100向驾驶员发出指示。在发出指示后，控制器100终止处理。例如，控制器100输出表扬驾驶者的驾驶操作的显示和语音作为指示内容。例如，发出“您开车很小心。请继续保持！”的语音。

应当注意，虽然上述显示和语音的实例包括驾驶员所熟悉的“车距”这一表达，显示和语音也可以包括“车间时距”的表达。此外，可以输出与第一实施例中一样的显示和语音。

在第二实施例中，控制器100在车辆沿同一道路行驶的情况下执行对驾驶员的驾驶诊断。换句话说，控制器100确定行驶条件，即空间范围是否与驾驶员的驾驶操作一致。控制器100可以确定行驶条件，即时间范围(例如时间段等等)是否与驾驶员的驾驶操作一致。此外，控制器100可以确定行驶条件，即驾驶操作的空间范围和时间范围是否一致，例如，车辆是否正在同样的时间段沿着同一道路行驶。

因此，在上文说明的第二实施例中，除了根据前文所描述的第一例的优点之外，还能够实现下述操作和优点。

(1)在所检测的行驶条件和驾驶操作中，具有车辆所行驶的有限的空间位置和空间范围的数据被用来执行驾驶诊断。这保证了有限行驶位置的精确驾驶诊断。

(2)更具体地，通过获取车辆当前正行驶的空间范围内的行驶条件和驾驶操作的数据并且将获取的数据与同样空间范围内的已经获取并存储的过去数据进行比较来执行驾驶诊断。这实现了在有限的行驶位置精确地测定驾驶员的驾驶操作相比于过去的驾驶操作如何变化。

-第二实施例的变型-

可以将在过去车辆沿着同一道路行驶时所计算/储存的多个数据用作过去跟车特性数据，该过去跟车特性数据作为与当前跟车特性进行比较的参考。更具体地，读取并使用已经存储于数据库中的所有沿着统一道路行驶的过去跟车特性值的数据。

在处理了多个跟车特性值数据之后，以这些数据的代表值来取代它们。例如，如果将车间时距THW的平均值Mean_x(n)和标准差Stdev_x(n)用作跟车特性值，那么使用加法定理来计算其代表值。例如，在使用了过去获取的两对数据的情况下，N₁(μ₁，σ₁ ²)和N₂(μ₂，σ₂ ²)的代表值为N(μ₁+μ₂，σ₁ ²+σ₂ ²)，其中N表示分布，μ表示平均值，而σ表示标准差。

《第三实施例》

现在将说明根据本发明的第三实施例的车辆驾驶辅助系统。根据第三实施例的车辆驾驶辅助系统的基本结构与图1所示的第一实施例的车辆驾驶辅助系统一样。因此，现在将主要说明与前述第一实施例的差别。

根据第三实施例的车辆驾驶辅助系统1，与根据第一实施例的情况一样，计算车辆跟随前车时的驾驶员的跟车特性作为概率密度函数。控制器100通过计算表示在不同时间跨度内获取的多个概率密度分布的差值的偏差度Dist_diff来执行驾驶诊断。这里，在第三实施例中，控制器100使用当车辆跟随前车时的行驶条件数据以及驾驶员的操作状态数据，从而递归地计算表示跟车特性的概率密度函数。

现在将参考图16具体说明根据第三实施例的车辆驾驶辅助系统1的性能。图16为示出第三实施例所实现的控制器100所执行的驾驶辅助控制处理过程的流程图。该处理以例如每50msec的规律的时间间隔连续地执行。由于步骤S600至S616所执行的处理与图3所示的流程图的步骤S400至S416所执行的处理一样，省略对该部分的说明。

在步骤S620中，步骤S616中所存储的数据被用于执行对驾驶员的驾驶诊断。基于在车辆稳定跟随前车的交通场景中的驾驶员驾驶特性来执行驾驶诊断。车辆跟随前车时的驾驶特性包括例如车辆和前车的车间时距THW、车间时距THW的倒数、车距、车距的倒数等。在第三实施例中，以使用车间时距THW的情况作为实例进行说明。

车辆驾驶辅助系统1的数据结构与图5所示的第一实施例的数据结构一样。A层代表相对短时的“当前时刻”的数据量，该数据量表示驾驶员当前的操作状态。B层代表“当日”的数据量，该数据量表示长于“当前时刻”的当天的驾驶员操作状况。C层代表“通常”的数据量，该数据量表示驾驶员比“当日”更长的通常的操作状况，即个人特质。D层代表“公众”的驾驶特性的数据量，该数据量被用作将每个驾驶员的操作与普通驾驶员比较以对每个驾驶员的操作进行诊断。

越低的层的数据量越大。每个层中包含的数据量对应于用于计算“当前时刻”、“前日”和“通常”的车间时距THW平均值的样本数量。图5所示的数据结构是通过改变样本数量来实现的。每一层中包含的数据的值通过下文所说明的实时计算持续地更新。

在驾驶诊断处理中，控制器100使用A层到D层中每一层的数据以确定不同时间跨度(即“当前时刻”、“当日”和“通常”)内的驾驶员操作。将参考图17的流程图具体说明步骤S620所执行的驾驶诊断处理。

在步骤S622中，控制器100计算“当前时刻”的驾驶员跟车特性值以执行对驾驶员“当前时刻”的驾驶诊断。控制器100计算在限定“当前时刻”的预定的时间段内的车间时距THW的分布，以作为驾驶员的跟车特性值。这里，限定“当前时刻”的预定的时间(时间窗口)为例如60秒，并且使用在步骤S610中确定的稳定跟车交通场景中所检测的从过去到现在的60秒的数据来计算车间时距THW的分布。

更具体地，为了计算车间时距THW的分布，控制器100递归地计算在限定“当前时刻”的预定时间段内的车间时距THW的概率密度。为此，首先，如图18所示，准备多个存储单元(bin)以存放车间时距THW的数据。一共准备了21个存储单元(数组)，以0.2为间隔从THW＝0设置至THW＝4。在图18所示的实例中，这样进行设定，在最左侧的存储单元THW0.0(Bin_1)中放入0.0至0.1的THW数据，在左数第二个存储单元THW0.2(Bin_2)中放入0.1至0.3的THW数据。

接着，在Bin_1至Bin_21的每个存储单元中放入预定的值作为初始值。

设置预定值使得放入所有存储单元中的预定值的和为1。例如，如图19(a)所示，预定值可以被设置为在Bin_1至Bin21的每个存储单元中放入相同的值(1/21，即＝1/总存储单元数)。但是，在车间时距THW呈中央处具有定值的钟形分布情况下，如图19(b)所示，优选指定上次计算的分布作为预定值。换句话说，将上次计算的分布的概率密度指定为Bin_1至Bin_21的每个存储单元的初始值。这能够更准确地计算分布。应当注意，图19(a)和图19(b)的水平轴代表车间时距THW(s，秒)，而竖直轴代表概率密度。

限定“当前时刻”的预定时间(时间窗口)为例如如上述的60秒。以N表示在设置的时间窗口内的数据数量。

接着，实时地计算概率密度。

每次获取车间时距THW的新数据，控制器100确定新的车间时距THW所对应的存储单元。放入新数据的存储单元与未放入新数据的存储单元之间在概率密度的计算方法上存在差异。使用下述公式(18)计算放入新数据的存储单元的概率密度Bin_x(n)。

Bin_x(n)＝{Bin_x(n-1)+1/N}÷(1+1/N)(公式18)

使用下述公式(19)计算未放入新数据的存储单元的概率密度Bin_x(n)。

Bin_x(n)＝{Bin_x(n-1)}÷(1+1/N)(公式19)

由此，实时地计算“当前时刻”的车间时距THW的概率密度以获取与实际分布良好吻合的车间时距THW的分布。图20示出了车间时距THW的分布的实例。图20中示出的分布的众数在Bin_5中。应当注意，为了简单起见，只示出了10个存储单元，Bin_1至Bin_10。

在步骤S624中，为了执行对驾驶员“当日”的驾驶诊断，控制器100计算驾驶员“当日”的跟车特性值，即在限定“当日”的预定时间段内的车间时距THW的分布。这里，限定“当日”的预定时间(时间窗口)为例如360秒，并且与在前述“当前时刻”的情况下一样，使用在步骤S610中确定的稳定跟车交通场景中所检测的从过去到现在的360秒的数据来计算车间时距THW的分布。

在步骤S626中，为了执行对驾驶员“通常”的驾驶诊断，控制器100计算驾驶员“通常”的跟车特性值，即在限定“通常”的预定时间段内的车间时距THW的分布。这里，限定“通常”的预定时间(时间窗口)为例如2160秒，并且与在前述“当前时刻”的情况下一样，控制器100使用在步骤S610中确定的稳定跟车交通场景中所检测的从过去到现在的2160秒的数据来计算车间时距THW的分布。

在下一步骤S628之后的处理中，分别比较基于在步骤S622、S624和S626中计算的不同时间跨度内获取的数据的驾驶员跟车特性，从而控制器100基于两跟车特性的偏差大小对驾驶员的驾驶操作进行诊断。换句话说，在图5所示的数据结构中，将较高层(如A层)与较低层(如B层)进行比较以执行驾驶诊断。

首先，在步骤S628中，控制器100计算表示“当前时刻”的驾驶员跟车特性偏离“当日”的驾驶员跟车特性的程度的偏差度。这里，“当前时刻”相对于“当日”的偏差度表示“当日”的车间时距THW的分布与“当前时刻”的车间时距THW的分布之间的差异。

分别计算作为参考分布的“当日”的车间时距THW的分布的众数，以及作为比较对象分布的“当前时刻”的车间时距THW的分布的众数。然后，控制器100计算车间时距THW分布在车间时距THW小于每个车间时距THW众数的一侧(即更危险的方向上)的概率。分别使用下述公式(20)和公式(21)计算位于更危险侧的参考分布的概率F_std和比较分布的概率F_comp。

$F_{\mathrm{std}}=\underset{x=1}{\overset{x_{\mathrm{mode}}}{\mathrm{\Σ}}}{\mathrm{Bin}}_{\mathrm{std}}\left(x\right)$ (公式20)

$F_{\mathrm{comp}}=\underset{x=1}{\overset{x_{\mathrm{mode}}}{\mathrm{\Σ}}}{\mathrm{Bin}}_{\mathrm{comp}}\left(x\right)$ (公式21)

使用下述公式(22)来计算“当前时刻”相对于“当日”的偏差度Dist_diff。

Dist_diff＝F_comp-F_std    (公式22)

已经表明，随着偏差度Dist_diff在正向上增加，“当前时刻”的驾驶员操作偏向车间时距THW小于“当日”的车间时距THW的方向，即更加危险的方向。已经表明，随着偏差度Dist_diff在负向上增加，“当前时刻”的驾驶员操作偏向车间时距THW大于“当日”的车间时距THW的方向，即较小危险的方向。当驾驶员始终以同样的跟车特性进行操作时，偏差度Dist_diff为零。

在步骤S628中，控制器100也计算“当前时刻”相对于“通常”的偏差度Dist_diff。在这种情况下，“通常”的车间时距THW的分布被用作表示长时行为分布的参考分布，而“当前时刻”的车间时距THW的分布被用作表示短时行为分布的比较对象。然后，控制器100使用“通常”的概率F_std和“当前时刻”的概率F_comp，使用上述公式(22)来计算“当前时刻”相对于“通常”的偏差度Dist_diff。

由此，在步骤S628中，控制器100计算“当前时刻”相对于“当日”的偏差度Dist_diff，然后控制流程进行至步骤S630。在步骤S630中，与在步骤S628中执行的处理的情况一样，控制器100计算“当日”相对于“通常”的偏差度Dist_diff。应当注意，这里“通常”的车间时距THW的分布被用作表示长时行为分布的参考分布，而“当日”的车间时距THW的分布被用作表示短时行为分布的比较对象的分布。

在下一个步骤S632中，与在步骤S628中执行的处理的情况一样，控制器100计算“通常”相对于“公众”的偏差度Dist_diff。应当注意，这里“公众”的车间时距THW的分布被用作表示长时行为分布的参考分布，而“通常”的车间时距THW的分布被用作表示短时行为分布的比较对象分布。预先设置一个适当的值作为“公众”跟车特性值的固定值，即位于比众数更危险的一侧上的概率F_std。

由此，在使用多个不同的时间跨度内获取的数据在步骤S620中执行驾驶员的驾驶诊断之后，控制流程进行至步骤S640。应当注意，为了简单起见，将以Dist_1a表示“当前时刻”相对于“通常”的偏差度Dist_diff，将以Dist_1b表示“当前时刻”相对于“当日”的偏差度Dist_diff，将以Dist_2表示“当日”相对于“通常”的偏差度Dist_diff，而将以Dist_3表示“通常”相对于“公众”的偏差度Dist_diff。

在步骤S640中，控制器100基于步骤S620中的驾驶诊断结果来确定是否执行报警处理。这里，控制器100决定在步骤S628中计算出的“当前时刻”相对于“通常”的偏差度Dist_1a、“当前时刻”相对于“当日”的偏差Dist_1b、或者在步骤S630中计算出的“当日”相对于“通常”的偏差度Dist_2是否大于极限值(例如0.30)，该极限值用于确定是否发出警报。当偏差度Dist_1a、Dist_1b和Dist_2大于极限值时，控制流程进行至步骤S650，使得控制器100向驾驶员发出警报。向驾驶员发出的警报的内容与前述第一实施例中的警报内容一样。发出警报后，控制器100终止处理。

如果在步骤S640中作出否定决定且没有发出警报，控制流程进行至步骤S660且控制器100基于步骤S620中的驾驶诊断结果来确定是否执行发出指示处理。这里，控制器100决定在步骤S632中计算的“通常”相对于“公众”的偏差度Dist_3是否小于极限值(例如0.07)，该极限值用于确定是否发出指示(改进建议)。用于确定是否发出指示的极限值为适当的预设值，同一个驾驶员的偏差度基本上总是落在该预设值的范围内。

如果Dist_3小于极限值，控制流程进行至步骤S670且控制器100向驾驶员发出指示。向驾驶员发出的指示的内容与前述第一实施例中的指示内容相同。发出指示之后，控制器100终止处理。

由此，在上述第三实施例中，除了根据前述第一实施例和第二实施例的有益效果之外能够实现下述操作和有益效果。

(1)根据行驶条件和驾驶操作递归地计算代表驾驶特性的概率密度函数。借此实时地确定数据分布，从而获取更接近实际分布的数据分布。此外，递归计算减少了数据存储所需的存储量，从而保证了效率。

(2)通过递归地计算具有不同时间常数的多个概率密度函数，即使在计算基于过去的长时数据的概率密度函数时，也能获取更接近实际分布的数据分布并且减少数据存储所需的存储量。

《第四实施例》

现在将说明根据本发明的第四实施例的车辆驾驶辅助系统。图21示出了表示根据第四实施例的车辆驾驶辅助系统2的结构的控制图。

首先，将说明车辆驾驶辅助系统2的结构。

转向角传感器5为安装在例如转向柱或方向盘(未示出)附近的角度传感器，其根据转向轴的旋转检测驾驶员转向的转向角。所检测到的转向角被输出至控制器200。

前摄像机15为安装在前挡风玻璃顶部的小型CCD(电耦合器件)摄像机、CMOS(互补金属氧化物半导体)摄像机及类似摄像机，其以图像的方式检测前方的行车状况。控制器200对从前摄像机15接收到的图像信号进行图像处理并且检测车辆前方区域内的车道标识线等等。应当注意，前摄像机15检测的区域为在水平方向上相对于车辆的纵向中心线大约±30度的范围内，该区域内包含的道路的前视图被加载为图像。

车速传感器30测量车轮转数或变速器输出端的转数以检测车辆的车速，并将所检测到的速度输出至控制器200。

导航系统50包括GPS接收器、地图数据库、监视器及类似装置，该导航系统50执行路径搜索、辅助路线选择及类似功能。基于通过GPS接收器获取的车辆当前位置和存储于地图数据库中的道路信息，导航系统50获取关于车辆行驶经过的道路的等级、宽度等信息。

控制器200为电子控制单元，其由CPU及诸如ROM和RAM的CPU外围部件构成，其控制整个车辆驾驶辅助系统2。基于从转向角传感器5、前摄像机15、车速传感器30、导航系统50及类似装置接收的信号，控制器200分析驾驶员的驾驶特性并且执行驾驶诊断。然后，基于驾驶诊断结果，控制器200向驾驶员提供信息。提供给驾驶员的信息包括对驾驶员的报警、改进驾驶操作的建议等等。后文将具体描述控制器200的控制内容。

扬声器130用于响应于来自控制器200的信号而以蜂鸣声或语音向驾驶员提供信息。显示单元180用于响应于来自控制器200的信号显示警报或对驾驶员操作的改进建议。例如，导航系统50的监示器、复合仪表及类似装置可以被用作显示单元180。

接下来，将说明根据第四实施例的车辆驾驶辅助系统2的性能，首先介绍其概况。

基于车辆的行驶状况以及驾驶员的驾驶操作，车辆驾驶辅助系统2的控制器200执行对驾驶员的驾驶诊断，并且，响应于驾驶诊断结果，对驾驶员发出警报以及建议驾驶员改进驾驶操作。更具体地，控制器200使用转向角信号来检测驾驶操作的不稳定状态并且执行对驾驶员的驾驶诊断。在第四实施例中，使用转向熵法(steeringentropy method)检测驾驶操作的不稳定状态，该方法根据转向操作(转向角)的平顺度来计算驾驶员的驾驶操作的不稳定性。

然后，如果驾驶诊断结果表示驾驶员比他平时驾驶得更加危险，即如果驾驶员的驾驶操作偏向较为危险的状态，那么控制器200将向驾驶员发出警报，从而提示驾驶员以防止驾驶员的驾驶操作进入高危状态。另一方面，如果驾驶诊断结果表示驾驶员的驾驶操作比公众的驾驶操作水准更好，控制器200向驾驶员提供该信息以鼓励更安全的驾驶或提出改进建议。

因此，第四实施例所实现的汽车驾驶辅助系统2包括三个功能，即通过驾驶诊断来检测驾驶员的驾驶操作的功能、响应于所检测到的结果向驾驶员发出警报的功能、以及响应于所检测到的结果向驾驶员提供改进建议的功能。因此，车辆驾驶辅助系统2允许并鼓励驾驶员客观地审视自身的驾驶特性，并且根据该驾驶特性向驾驶员提供建议，从而使得驾驶员能够学习降低危险的驾驶方法。

现在将说明转向熵法。

一般来说，在驾驶员并未集中注意力操作的状态下，驾驶员不转向的时间段长于驾驶员专注操作的正常操作时的不转向的时间段，并且大的转向角误差增加。因此，当驾驶员重新将注意力集中到操作上时，转向调节的次数会增加。转向熵法针对这一特性并使用作为特性值的α值以及参考α值进行计算的转向角熵Hp。通过将作为参考的转向角熵与基于所测量到的转向角计算出的转向角熵进行比较来检测驾驶操作相对于参考的不稳定状态。

应当注意，α值为90百分位数(90％的转向误差包含于此分布范围内)，该值是通过获取基于转向角时序数据的给定时间段内的转向误差(即，假设平顺地进行转向操作时的转向角的预计值)与实际转向角之间的差，并通过测量转向误差的分布(变化)所计算得出。

转向熵值，即Hp值，代表转向误差分布的模糊性(不确定性)。与α值类似，当转向操作稳定且平顺时Hp值变小，而当转向操作不顺且不稳定时Hp值变大。Hp值被α值修正并且可以用作不受驾驶员技巧或习惯影响的驾驶员不稳定性。

在第四实施例中，使用普通驾驶员群体的转向误差分布计算得出的转向熵被用作参考状态。然后，使用所测量到的驾驶员的转向误差分布来计算转向角熵，并通过检测驾驶员基本的驾驶操作的不稳定状态来执行驾驶诊断。

应当注意，因为转向误差受到道路线形和驾驶员疲劳状况的影响，有必要在驾驶员处于非疲劳状态时测量参考转向误差分布。因此，在第四实施例中，为了更少受到这些因素的影响，使用在沿着基本为笔直道路的道路线形的行驶中获取的转向角数据并且基于在长时间段内测量的转向角数据来获取转向角误差分布。

现在将参考图22来具体说明根据第四实施例的车辆驾驶辅助系统2的性能。图22为示出了第四实施例所实现的控制器200所执行的驾驶辅助控制处理的过程的流程图。该处理以例如每50msec的规律的时间间隔连续地执行。

在步骤S1011中，控制器200读取由转向角传感器5检测到的转向角信号θ。在步骤S1013中，控制器200读取车辆行驶的道路的道路曲率信号ρ。这里，可以使用例如导航系统50的道路地图数据库中所包含的道路曲率数据或道路线形信息来获取车辆所行驶的道路的道路曲率信号ρ。作为选择，可以由通过对前摄像机15所捕捉的车辆前景进行图像处理而检测到的车道标识线计算出道路曲率。在步骤S1015中，控制器200读取由车速传感器30检测到的车辆的车速信号V。

在下述步骤S1017和S1019中，确定是否计算转向角熵。更具体地，在步骤S1017中，确定在步骤S1013中读取的道路曲率信号ρ是否小于道路曲率预定值ρo，以确定车辆是否沿着直路行驶。当道路曲率信号ρ小于或等于道路曲率预定值ρo时，控制器200确定车辆沿着直路行驶，并且控制流程进行至步骤S1019。当ρ＞ρo时，控制器200终止处理。

在步骤S1019中，确定在步骤S1015中读取的车速信号V是否大于预定值Vo。预定值Vo为一极限值，其用于确定车辆是否以稳定车速沿着除了具有很多障碍的城市道路或类似道路之外的道路行驶，且例如Vo＝60km/h。当车速信号V大于预定值Vo时，控制流程进行至步骤S1021。当车速信号V小于或等于预定值Vo时，控制器200终止处理。

在步骤S1021中，确定在道路曲率信号ρ小于或等于预定值ρo且车速V大于预定值Vo的情况下，所测量到的转向角信号θ的样本数n是否大于预定值N1。这里，预定值N1为一极限值，其用于确定是否已经获取了足够量的长时数据，从而受到驾驶员疲劳状况的影响较小，并且，例如N1＝100,000。应当注意，预期通过约三周时间的行驶获取100,000个数据。当样本数量n大于预定值N1时，控制流程进行至S1023，而当样本数量n小于或等于预定值N1时，控制器200终止处理。

在步骤S1023中，使用在长时间段内测量到的转向角信号θ来计算转向角熵Hp1(以下称为长时转向角熵)。长时转向角熵Hp1是表示驾驶员基本的驾驶操作的不稳定状态的值，也是驾驶员的通常不稳定性。

图23示出了用于计算转向角熵的特殊符号及其名称。转向角平滑值θn-tilde为受到量化噪声影响较少的转向角。转向角预计值θn-hat是假设在平顺地进行转向的情况下，通过估计采样时刻的转向角所获取的值。如下述公式(23)所示，通过对转向角平滑值θn-tilde进行二阶泰勒展开得到转向角预计值θn-hat。

${\widehat{\mathrm{\θ}}}_n={\stackrel{\‾}{\mathrm{\θ}}}_{n-1}+(t_n-t_{n-1})\left[\frac{{\widetilde{\mathrm{\θ}}}_{n-1}-{\widetilde{\mathrm{\θ}}}_{n-2}}{t_{n-1}-t_{n-2}}\right]+\frac{t_n-t_{n-1}}{2}[\frac{{\widetilde{\mathrm{\θ}}}_{n-1}-{\widetilde{\mathrm{\θ}}}_{n-2}}{t_{n-1}-t_{n-2}}-\frac{{\widetilde{\mathrm{\θ}}}_{n-2}-{\widetilde{\mathrm{\θ}}}_{n-3}}{t_{n-2}-t_{n-3}}]$ (公式23)

在公式(23)中，tn表示转向角θn的采样时刻。

为了减小量化噪声的影响，使用下述公式(24)来计算作为三个临接转向角θn的平均值的转向角平滑值θn-tilde。

${\widetilde{\mathrm{\θ}}}_{n-k}=\frac{1}{3}\underset{i=-1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\θ}}_{n-k*l+i}$ (公式24)

在公式(24)中，l代表在以每150msec为时间间隔计算转向角平滑值θn-tilde的情况下，150msec内包含的转向角θn的样本数，其中150msec为人类能够间歇性手动操作的最小时间间隔。

当以Ts表示转向角θn的采样间隔时，由下述公式(25)表示样本数1。

l＝round(0.15/Ts)(公式25)

在公式(24)中，基于总共三个转向角θn，即时间间隔为150msec的转向角及其邻接转向角，通过(k*l)计算转向角平滑值θn-tilde，其中假定k值＝1，2，3。因此，基于该转向角平滑值θn-tilde，所计算得出的转向角预计值θn-hat是使用基本以150msec的时间间隔获取的转向角θ来进行计算的。

使用下述公式(26)计算假设在平顺地进行转向的情况下的转向角预计值θn-hat和实际转向角θn之间的差，作为采样时刻的转向误差en。

$e_n={\mathrm{\θ}}_n-{\widehat{\mathrm{\θ}}}_n$ (公式26)

应当注意，仅以每150msec的转向角θn计算转向误差en，150msec即为人类能够间歇操作的最短时间间隔。

参考上述术语，将根据图24的流程图来说明长时转向熵Hp1的计算处理。

在步骤S1031中，控制器200采集在前述道路曲率和车速条件下以采样间隔Ts所测量的n个转向角信号θn的时序数据。采样间隔Ts为例如50msec。

在步骤S1032中，借助于前述公式(24)，使用间隔150msec的三个临接的转向角θn来计算三个转向角平滑值θn-tilde。三个转向角平滑值θn-tilde由下述公式(27)表示。

${\widetilde{\mathrm{\θ}}}_{n-1}=\frac{1}{3}({\mathrm{\θ}}_{n-4}+{\mathrm{\θ}}_{n-3}+{\mathrm{\θ}}_{n-2})$

${\widetilde{\mathrm{\θ}}}_{n-2}=\frac{1}{3}({\mathrm{\θ}}_{n-7}+{\mathrm{\θ}}_{n-6}+{\mathrm{\θ}}_{n-5})$

${\stackrel{\‾}{\mathrm{\θ}}}_{n-3}=\frac{1}{3}({\mathrm{\θ}}_{n-10}+{\mathrm{\θ}}_{n-9}+{\mathrm{\θ}}_{n-8})$ (公式27)

在步骤S1033中，借助于前述公式(23)，使用在步骤S1032中所计算得出的三个转向角平滑值θn-tilde来计算转向角预计值θn-hat。转向角预计值θn-hat由下述公式(28)表示。

$\widehat{\mathrm{\θ}}={\widetilde{\mathrm{\θ}}}_{n-1}+T_S\·\frac{{\widetilde{\mathrm{\θ}}}_{n-1}-{\widetilde{\mathrm{\θ}}}_{n-2}}{T_S}+\frac{T_S}{2}[\frac{{\widetilde{\mathrm{\θ}}}_{n-1}-{\widetilde{\mathrm{\θ}}}_{n-2}}{T_S}-\frac{{\widetilde{\mathrm{\θ}}}_{n-2}-{\widetilde{\mathrm{\θ}}}_{n-3}}{T_S}]$

$={\widetilde{\mathrm{\θ}}}_{n-1}+({\widetilde{\mathrm{\θ}}}_{n-1}-{\widetilde{\mathrm{\θ}}}_{n-2})+\frac{1}{2}[({\widetilde{\mathrm{\θ}}}_{n-1}-{\widetilde{\mathrm{\θ}}}_{n-2})-({\widetilde{\mathrm{\θ}}}_{n-2}-{\widetilde{\mathrm{\θ}}}_{n-3}\left)\right]$ (公式28)

在步骤S1034中，借助于前述公式(26)，使用在步骤S1033中所计算得出的转向角预计值θn-hat和实际转向角信号θn来计算转向误差en。

在步骤S1035中，如图25所示，将步骤S1034中所计算的转向误差en关于作为参考状态的α值(＝αo)分为9类，b1至b9，并计算每一类bi中包含的转向误差en的频率相对于所有频率的概率Pi。这里作为参考状态的α值(＝αo)是基于普通驾驶员群体(公众驾驶员)的转向角信号而预设的，并且被储存于控制器200的存储器中。然后，当控制器200执行图22所示的程序时，设置分类bi。

在下一个步骤S1036中，借助于下述公式(29)，使用在步骤S1035中计算得出的概率Pi来计算长时转向角熵Hp1。

$H_P=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}(-P_i{\log }_9{P}_i)$ (公式29)

应当注意，长时转向角熵Hp1的“p”表示转向角熵服从概率分布P＝{Pi}。

通过以9为底取对数来计算长时转向角熵Hp1的值，该值代表转向误差en的分布的陡度，从而当转向误差en被平均地包含在每个分类bi中时，Hp1的值为1。应当注意，由于分类被设置为使得所有频率的90％落在转向误差en的分布的中间的三个分类b4到b6中，因此作为参考的Hp1的值将不会是1。

当长时转向角熵Hp1的值较小时，转向误差en的分布的陡度较大且转向误差en的分布保持在一定的范围内。也就是说，这表示转向正平顺地操作且操作处于稳定状态。另一方面，当长时转向角熵Hp1的值较大时，转向误差en的分布的陡度较小且转向误差en的分布改变。换句话说，这表示转向操作不顺且操作处于不稳定状态。

由此，在步骤S1023中计算得出长时转向角熵Hp1之后，控制流程进行至步骤S1025。在步骤S1025中，控制器200根据长时转向角熵Hp1向驾驶员发出警报或指示(改进建议)。当长时转向角熵Hp1较大时，与普通驾驶员群体(公众)的平均转向角熵相比，驾驶操作的不稳定性较高。

由此，例如如图26所示，长时转向角熵Hp1的幅值被分为五个等级(SSS、SS、SM、SL和SLL)，并且控制器200告知驾驶员计算得出的长时转向角熵Hp1的幅值的等级。应当注意，适当地设置五个等级，从而使得普通驾驶员群体(公众)的平均转向角熵落在如图26所示的分类的中央等级SM中。

图27示出了根据长时转向角熵Hp1的分类结果的提示内容的实例。在长时转向角熵Hp1被分在SLL等级中的情况下，控制器200在显示单元180的监示器上显示文字表明“操作不稳定性很大”。在长时转向角熵Hp1被分在SL等级中的情况下，控制器200显示文字表明“操作不稳定性略大”。在长时转向角熵Hp1被分在SM等级中，即与普通驾驶员的平均转向角熵相等的情况下，控制器200显示文字表明“操作不稳定性普通”。在长时转向角熵Hp1被分在SS等级中的情况下，控制器200显示文字表明“操作不稳定性较小”。在长时转向角熵Hp1被分在SSS等级中的情况下，控制器200显示文字表明“操作不稳定性很小”。应当注意，图27所示的提示内容可以通过扬声器130发出的语音提供给驾驶员。

由此，在上述第四实施例中，除了根据前述的第一实施例到第三实施例的有益效果之外，还能实现下述操作和有益效果。

检测转向角θ作为驾驶操作，并且使用转向角计算表示驾驶员的转向操作不稳定性的转向角熵Hp，以作为代表驾驶特性的指数。这样能够对车辆的水平驾驶操作准确地执行驾驶诊断。

-第四实施例的变型1-

这里，使用在长时间段内测量的驾驶员的转向误差分布所计算得到的长时转向角熵Hp1被指定为参考状态。然后，通过使用在中等时间段内测量的驾驶员的转向误差分布来计算转向角熵、并检测相对于驾驶员基本驾驶操作的不稳定状态的偏差度来执行驾驶诊断。

现在将参考图28和图29来具体说明根据第四实施例的变型1的车辆驾驶辅助系统2的性能。图28和图29为示出了第四实施例的变型1所实现的控制器200所执行的驾驶辅助控制处理的过程的流程图。该处理以例如每50msec的规律的时间间隔连续执行。由于步骤S1041到S1053中执行的处理与图22所示的流程图中的步骤S1011到S1023中执行的处理一样，将省略其说明。但是，在步骤S1051中确定样本数量n小于或等于预定值N1的情况下，控制器200并不终止处理，而是使控制流程前进至图29中的步骤S1057。

在步骤S1053中，在控制器200计算出代表参考状态的长时转向角熵Hp1之后，控制器200在步骤S1055中计算α值，该α值用于计算中时转向角熵。这里，使用在长时间段内测量的转向角信号θ来计算驾驶员个人的α值(下文称为α1值)。将参考图30中的流程图来说明该处理。

在步骤S1081中，控制器200采集在前述道路曲率和车速条件下以采样间隔Ts所测量的n个转向角信号θn的时序数据。采样间隔Ts为例如50msec。在步骤S1082中，借助于前述公式(24)，使用间隔150msec的三个临接的转向角θn来计算三个转向角平滑值θn-tilde。

在步骤S1083中，借助于前述公式(23)，使用在步骤S1082中所计算得到的三个转向角平滑值θn-tilde来计算转向角预计值θn-hat。在步骤S1084中，借助于前述公式(26)，使用在步骤S1083中计算得到的转向角预计值θn-hat和实际转向角信号θn来计算转向误差en。

在下一个步骤S1085中，根据预定的转向误差对转向误差en的频率进行计数。预定转向误差是考虑到转向角传感器5的精度来确定的。这里，例如如图31所示，以每0.001rad为间隔对转向误差en进行分类。图32表示转向误差en的频率分布的实例。在步骤S1086中，将代表转向误差的分类的i赋值为0。

在步骤S1087中，确定当转向误差en＝0.000rad时的频率T0.000相对于所有转向误差的所有频率的概率P是否大于或等于90％。在频率T0.000的概率大于或等于90％的情况下，控制流程进行至步骤S1090。在该情况下，由于i＝0，因此α1＝0.000rad。如果步骤S1087中做出了否定决定，那么控制流程进行至步骤S1088。在步骤S1088中，将i增值1从而将其赋值为(i+1)。

在步骤S1089中，确定在转向误差en的扩展分类-0.001rad到+0.001rad中的转向误差en的频率(T0.000+T0.001+T-0.001)相对于所有转向误差的所有频率的概率P是否大于或等于90％。在概率P大于等于90％的情况下，控制流程进行至步骤S1090。在该情况下，由于i＝1，因此α1＝0.001。如果步骤S1089中做出了否定决定，那么控制流程返回至步骤S1088，再次将i增值并重复步骤S1089中的判断。

由此，在步骤S1055中计算α1值之后，控制流程进行至图29中的步骤S1057。在步骤S1057中，确定在道路曲率信号ρ小于或等于预定值ρo且车速V大于预定值Vo的情况下，所测量的转向角信号θ的样本数量n是否大于预定值N2。这里，预定值N2为一极限值，其用于确定是否已经获取足够的中时数据来确定与驾驶员通常驾驶操作的偏差，且例如N2＝7200。在样本数量n大于预定值N2的情况下，控制流程进行至步骤S1059，而在样本数量n小于或等于预定值N2的情况下，控制器200终止处理。

在步骤S1059中，使用在中等时间段内所测量到的转向角信号θ来计算中时转向角熵Hp2。中时转向角熵Hp2的值是使用在中等时间段内所测量到的转向角信号θ计算得出的并且以在长时间段内所测量到的转向角信号θ作为参考状态。中时转向角熵Hp2的值代表相对于驾驶员基本的驾驶操作不稳定状态的偏离(差距)。中时转向角熵Hp2的计算方法与参考图24的流程图中说明的长时转向角熵Hp1的计算方法相同。但是，以在步骤S1055中所计算得出的驾驶员个人的α1的值作为α值。

在步骤S1061中，控制器200计算在步骤S1053中所计算出的长时转向角熵Hp1与在步骤S1059中所计算出的中时转向角熵Hp2之间的差ΔHp2(＝Hp2-Hp1)。然后，利用所计算的差ΔHp2来确定驾驶操作的不稳定状态。可以认为，当中时转向角熵Hp2大于长时转向角熵Hp1时，驾驶操作的不稳定性与驾驶员基本的操作不稳定性相比变大。因此，例如在转向角熵的差ΔHp2大于预定值TH2的情况下，控制器200确定驾驶操作处于不稳定状态，且控制流程进行至步骤S1063。

在步骤S1063中，驾驶员被告知其驾驶操作处于不稳定状态。这里，例如如图33所示，转向角熵的差ΔHp2根据其幅值在大于或等于预定值TH2的区域内被分为两个等级(D2P和D2PP)。然后，控制器200告知驾驶员与在步骤S1061中计算的转向角熵的差ΔHp2对应的等级。

图34示出了一种根据转向角熵的差ΔHp2的分类结果的提示内容的实例。在差ΔHp2被分在大于预定值TH2L(＞TH2)的D2PP等级中的情况下，控制器200在显示单元180的监示器上显示文字表明“操作不稳定性高于平时”。在差ΔHp2被分在大于预定值TH2的D2P等级中的情况下，控制器200显示文字表明“操作不稳定性略高于平时”。应当注意，图34中所示的提示内容可以通过扬声器130发出的语音提供给驾驶员。

如果在步骤S1061中作出否定决定，控制器200跳过步骤S1063中的不稳定状态的告知处理。由此，在检测相对于通常驾驶操作不稳定状态的偏离并且将其告知驾驶员之后，在步骤S1065和之后步骤的处理中，控制器200基于过去的中时转向角熵与现在的中时转向角熵的比较结果来向驾驶员提供信息。更具体地，控制器200将过去计算的中时转向角熵(以下称为Hp2p)与最近的中时转向角熵Hp2进行比较，以检测在中等时间段中驾驶操作不稳定性的变化并将其告知驾驶员。

首先，在步骤S1065中，控制器200计算过去所计算并储存的关于同一个驾驶员的过去中时转向角熵Hp2p与在步骤S1059中所计算得出的中时转向角熵Hp2之间的差ΔHp2p。然后，所计算得出的差ΔHp2p被用于确定驾驶操作不稳定性的变化。可以认为，当最近的中时转向角熵Hp2小于过去的中时转向角熵Hp2时，即当差ΔHp2p符号为负且其绝对值较大时，驾驶操作的不稳定性相对于过去朝着减小的方向变化。因此，例如在转向角熵的差ΔHp2p小于预定值TH2p的情况下，控制器200确定驾驶操作的不稳定性降低，且控制流程进行至步骤S1067。

在步骤S1067中，控制器200告知驾驶员驾驶操作的不稳定性变低且转向操作变得更加平顺(驾驶改进建议)。这里，例如如图35所示，根据转向角熵的差ΔHp2p的幅值将其在小于预定值TH2P的区域内分为两个等级(D2PM和D2PMM)。然后，控制器200告知驾驶员与在步骤S1065中计算得出的转向角熵的差ΔHp2p对应的等级。

图36示出了一种根据转向角熵的差ΔHp2p的分类结果的提示内容的实例。在差ΔHp2p被在小于预定值TH2P的D2PM等级中的情况下，控制器200在显示单元180的监示器上显示文字表明“操作不稳定性略低于从前”。在差ΔHp2p被分在小于预定值TH2PL(＜TH2P)的D2PMM等级中的情况下，控制器200显示文字表明“操作不稳定性低于从前”。应当注意，图36中所示的提示内容可以通过扬声器130发出的语音提供给驾驶员。

如果在步骤S1065中作出否定决定，控制器200跳过步骤S1067中的操作改进建议处理，并且控制流程进行至步骤S1069。在步骤S1069中，在步骤S1059中计算出的中时转向角熵Hp2设置为过去中时转向角熵Hp2p以准备下一次处理。

在步骤S1071以后的处理中，控制器200使用基于驾驶员的长时转向角信号θ所计算出的驾驶员个人α1值来执行对驾驶员的操作改进建议。如前文所描述的，α1值为在基于驾驶员的长时转向角信号数据所计算出的转向误差分布中计算得出的90百分位数。因此，α1值为代表驾驶员长时转向误差分布的因数。

在步骤S1071中，将在步骤S1055中计算出的α1值与预定值THα1进行比较。在驾驶员的长时α1值小于预定值THα1的情况下，驾驶员的驾驶操作的不稳定性较低。然后，如果α1值小于预定值THα1，控制流程进行至步骤S1073。

在步骤S1073中，控制器200告知驾驶员驾驶操作的不稳定性较低且转向操作平顺(操作改进建议)。这里，例如如图37中所示，根据α1值在小于预定值THα1的区域内将α1值分为两个等级(α1S和α1SS)。然后，控制器200告知驾驶员与在步骤S1055中计算出的α1值对应的等级。

图38示出了一种根据α1值的分类结果的提示内容的实例。在α1值被分在小于预定值THα1的α1S等级中的情况下，控制器200在显示单元180的监示器上显示文字表明“操作不稳定性较小”。在α1值被分在小于预定值THα1S(＜THα1)的α1SS等级中的情况下，控制器200显示文字表明“操作不稳定性很小”。应当注意，图38中所示的提示内容可以通过扬声器130发出的语音提供给驾驶员。

然后，控制器200终止处理。应当注意，如果在步骤S1071中做出了否定决定，控制器200跳过步骤S1073中的操作改进建议处理并终止处理。

-第四实施例的变型2-

这里，使用在长时间段内测量的驾驶员的转向误差分布所计算得到的长时转向角熵Hp1被指定为参考状态。然后，通过使用在短时间段内测量的驾驶员的转向误差分布来计算转向角熵，并检测相对于驾驶员基本的驾驶操作不稳定状态的短时偏差来执行驾驶诊断。

现在将参考图39具体说明根据第四实施例的变型2的车辆驾驶辅助系统2的性能。图39为示出了第四实施例的变型2所实现的控制器200执行的驾驶辅助控制处理的过程的流程图。该处理以例如每50msec的规律的时间间隔连续地执行。由于步骤S1111至S1125中所执行的处理与图28所示的流程图中步骤S1041至S1055中所执行的处理一样，故省略该部分的说明。

在步骤S1125中计算出α1值之后，控制流程进行至步骤S1127。在步骤S1127中，确定在道路曲率信号ρ小于或等于预定值ρo且车速V大于等于预定值Vo的情况下，所测量的转向角信号θ的样本数量n是否大于预定值N3。这里，预定值N3为一极限值，其用于确定是否已经获取足够的短时(例如约五分钟的行驶)数据来确定与已经获取的驾驶员通常驾驶操作的短时偏差，且例如N3＝1200。在样本数量n大于预定值N3的情况下，控制流程进行至步骤S1129，而在样本数量n小于或等于预定值N3的情况下，控制器200终止处理。

在步骤S1129中，使用在短时间段内所测量到的转向角信号θ来计算短时转向角熵Hp3。短时转向角熵Hp3的值是使用在短时间段内所测量到的转向角信号θ计算得出的并且以在长时间段内所测量到的转向角信号θ作为参考状态。短时转向角熵Hp3的值代表相对于驾驶员基本的驾驶操作不稳定状态的短时偏离(差距)。短时转向角熵Hp3的计算方法与参考图24的流程图中说明的长时转向角熵Hp1的计算方法相同。但是，以步骤S1125中所计算得出的驾驶员个人的α1的值作为α值。

在步骤S1131中，控制器200计算在步骤S1123中所计算出的长时转向角熵Hp1与在步骤S1129中所计算出的短时转向角熵Hp3之间的差ΔHp3(＝Hp3-Hp1)。然后，利用所计算的差ΔHp3来确定驾驶操作的不稳定状态。可以认为，当短时转向角熵Hp3大于长时转向角熵Hp1时，当前驾驶操作的不稳定性与驾驶员基本的操作不稳定性相比变大。因此，例如在转向角熵的差ΔHp3大于预定值TH3的情况下，控制器200确定驾驶操作处于不稳定状态，且控制流程进行至步骤S1133。

在步骤S1133中，驾驶员被告知其当前驾驶操作处于不稳定状态。这里，例如如图40所示，转向角熵的差ΔHp3根据其幅值在大于或等于预定值TH3的区域内被分为两个等级(D3P和D3PP)。然后，控制器200告知驾驶员与在步骤S1131中计算出的转向角熵的差ΔHp3对应的等级。

图41示出了一种根据转向角熵的差ΔHp3的分类结果的提示内容的实例。在差ΔHp3被分在大于预定值TH3L(＞TH3)的D3PP等级中的情况下，控制器200在显示单元180的监示器上显示文字表明“操作不稳定性高”。在差ΔHp3被分在大于预定值TH3的D3P等级中的情况下，控制器200显示文字表明“操作不稳定性略高”的文字。应当注意，图41中所示的提示内容可以通过扬声器130发出的语音提供给驾驶员。

由此，控制器200终止处理。应当注意，如果在步骤S1131中作出否定决定，那么控制器200跳过步骤S1133中不稳定状态提示的处理并终止处理。

《第五实施例》

现在将说明根据本发明的第五实施例的车辆驾驶辅助系统。根据第五实施例的车辆驾驶辅助系统的基本结构与图21所示的第四实施例的车辆驾驶辅助系统的基本结构一样。因此，将主要说明与第四实施例及其变型1、变型2的差别。

在根据第五实施例的车辆驾驶辅助系统2中，如前述第四实施例一样，使用转向角信号来计算转向角熵，以检测驾驶操作的不稳定状态并执行对驾驶员的驾驶诊断。然后，如果驾驶诊断结果表示驾驶员比他平时驾驶得更加危险，即如果驾驶员的驾驶操作偏向较为危险的状态，那么控制器200将向驾驶员发出警报，提示驾驶员以防止驾驶员的驾驶操作进入高危状态。另一方面，如果驾驶诊断结果表示驾驶员的驾驶操作比公众的驾驶操作水准更好，控制器200向驾驶员提供该信息以鼓励更安全的驾驶或提出改进建议。

这里，为了计算转向角熵，需要确定转向角估计误差属于分为九类的参考分布的哪个分类并且计算每个分类的概率。此外，为了计算α值(前述α1值)，需要计算转向误差的频率分布。由于这些处理是作用于样本数量的所有数据，需要事先准备与数据数量同样多的缓存。

因此，在第五实施例中，递归地计算每个分类的概率，从而即使需要暂时保存最近的长时转向角数据，也能使用少量存储器计算出每个分类的概率。

现在将参考图42的流程图说明第五实施例所实现的车辆驾驶辅助系统2中长时转向角熵Hp1的计算处理的过程。在第四实施例中说明的图22的流程图的步骤S1023中执行该处理。由于步骤S1231至S1234中所执行的处理与图24中的步骤S1031至S1034中执行的处理一样，将省略其说明。

在步骤S1235中，如图25所示，将步骤S1234中所计算的转向误差en关于参考状态的α值(＝αo)分为九个分类，b1至b9，并且递归地计算每个分类bi中包含的转向误差en的频率相对于所有频率的概率Pi。这里作为参考的α值(＝αo)为基于普通驾驶员群体(公众驾驶员)的转向角信号而预设的，参并且被储存于控制器200的存储器中。将参考图43的流程图，说明转向误差en被分派到哪个类别中的决定以及递归地计算每个分类的概率Pi的方法。

首先，在步骤S1241中，将代表转向误差的分类的i赋值为1。在步骤S1242中，控制器200确定i是否大于9。如果i＞9，控制器200确定已经完成了九个分类的概率Pi的计算，并终止处理。如果i≤9，则控制流程进行至步骤S1243以计算每个分类的概率Pi。

在步骤S1243中，控制器200确定在步骤S1234中所计算出的转向误差en是否落在目标分类bi内。如果转向误差落在分类bi内，控制流程进行至步骤S1244。在步骤S1244中，使用下述公式(30)来计算分类bi内包括的转向误差en的概率Pi(n)，其中以N表示数据的数量。

Pi(n)＝{Pi(n-1)+1/N}÷(1+1/N)(公式30)

另一方面，如果转向误差不落在分类bi中，控制流程进行至步骤S 1245，使用下述公式(31)计算分类bi内包括的转向误差en的概率Pi(n)。

Pi(n)＝{Pi(n-1)}÷(1+1/N)(公式31)

在步骤S1246中，将i设置为(i+1)。然后控制流程回到步骤S1242，并且重复步骤S1243和S1246的处理，直至计算完九个分类的概率Pi。

由此，在步骤S1235中递归地计算了每个分类bi中包含的转向误差en的概率Pi之后，控制流程进行至步骤S1236。在步骤S1236中，借助于前述公式(29)，使用在步骤S1235中计算出的概率Pi来计算长时转向角熵Hp1。这使得长时转向角熵Hp1的计算处理终止。

然后，为了计算第四实施例的变型1中所说明的α1值，将说明一种递归地执行频率计算的方法。现在将参考图44的流程图说明第五实施例中所实现的车辆驾驶辅助系统2中α1值的计算处理的过程。在第四实施例的变型1中说明的图28的流程图的步骤S1055中执行该处理。由于步骤S1251至步骤S1254中执行的处理与图30中步骤S1081至S1084中执行的处理一样，将省略其说明。

在步骤S1255中，根据预定转向误差对转向误差en的频率进行递归计算。这里将参考图45的流程图说明该处理。

在步骤S1271中，将代表转向误差频率分布的分类的T赋值为1。在步骤S1272中，确定T是否大于所有分类的数量Tn。所有分类的数量Tn为例如40，且每个分类以0.001的间隔设置。如果T＞Tn且所有分类的频率计算都已完成，那么终止处理。如果T≤Tn，那么控制流程进行至步骤S1273以计算每个分类的频率Ti(n)。

在步骤S1273中，确定在步骤S1254中所计算出的转向误差en是否落在目标分类Ti中。如果转向误差落在分类Ti中，控制流程进行至步骤S1274。在步骤S1274中，使用下述公式(32)计算分类Ti中包含的转向误差en的频率Ti(n)，其中以N表示数据的数量。

Ti(n)＝{Ti(n-1)+1/N}÷(1+1/N)(公式32)

另一方面，如果转向误差不落在分类Ti内，控制流程进行至步骤S1275，并且使用下述公式(33)计算分类Ti中包含的转向误差en的频率Ti(n)。

Ti(n)＝{Ti(n-1)}÷(1+1/N)(公式33)

在步骤S1276中，将i设置为(i+1)。然后，控制流程回到步骤S1272，并且重复步骤s1273至S1276中的处理，直至计算完所有分类Tn的频率Ti。

由此，在步骤S1255中递归地计算了频率分布之后，控制流程进行至步骤S1256。在步骤S1256之后的处理中，与前述第四实施例的变型1类似，使用在步骤S1255中计算出的频率分布来计算α1值。

如前文所说明地，通过递归地计算转向角熵Hp能够减少数据存储所需要的存储器量，并且由于减少了计算步骤的数量，计算处理能够得到简化。此外，能够实时地计算转向角熵Hp。

《第六实施例》

现在将说明根据本发明的第六实施例的车辆驾驶辅助系统。图46示出了根据第六实施例的车辆驾驶辅助系统3的结构的控制图。在第六实施例中，与前述第四实施例中具有同样功能的单元标有同样的附图标记，并且省略其说明。因此，将主要说明与第四实施例的差别。

车辆驾驶辅助系统3包括激光雷达10、前摄像机15、车速传感器30、加速度传感器35、导航系统50、加速器踏板位置传感器55、控制器250、扬声器130以及显示单元180。

安装于车辆的前存储单元栅、保险杠或类似处的激光雷达10水平地发射红外线脉冲以扫描车前的区域。激光雷达10测量被前方多个障碍物(通常为前车的后端)反射回来的红外线脉冲的反射辐射，并且根据反射辐射的到达时间来检测距多个障碍物的车距或距离以及相对速度。所检测到的车距和相对速度被输出至控制器250。激光雷达10扫描的车前区域大约为平行于车辆纵向中心线的轴线的每侧的±6度，存在于此范围内的物体被检测到。

加速度传感器35为检测车辆的纵向加速度并将所检测到的纵向加速度输出至控制器250的传感器。加速器踏板位置传感器55为检测加速器踏板(未示出)的下压量(加速器踏板位置)的传感器。加速器踏板位置传感器55检测加速器踏板的位置，例如通过连杆装置将加速器踏板的位置转换成的伺服电机的转动角度，并将该转动角度输出至控制器250。

控制器250为电子控制单元，其包括CPU及诸如ROM和RAM的CPU外围部件，其控制整个车辆驾驶辅助系统3。基于从激光雷达10、前摄像机15、车速传感器30、加速度传感器35、导航系统50、加速其踏板位置传感器55及类似装置所接收的信号，控制器250分析驾驶员的驾驶特性并且执行驾驶诊断。然后，基于驾驶诊断结果，控制器250向驾驶员提供信息。提供给驾驶员的信息包括对驾驶员的报警、改进驾驶操作的建议等等。后文将具体描述控制器250的控制内容。

接下来，将说明根据第六实施例的车辆驾驶辅助系统3的性能，首先介绍其概要。

基于车辆的行驶状况以及驾驶员的驾驶操作，车辆驾驶辅助系统3的控制器250执行对驾驶员的驾驶诊断，并且，响应于驾驶诊断结果，对驾驶员发出警报以及建议驾驶员改进驾驶操作。更具体地，控制器250使用加速器踏板位置信号以检测驾驶操作的不稳定状态，并且执行对驾驶员的驾驶诊断。在第六实施例中，将用于前述第四实施例和第五实施例的转向熵法用于加速器踏板操作，以检测驾驶操作的不稳定状态。虽然转向熵法使用了关于车辆横向控制的转向角，但是在第六实施例中使用了关于车辆纵向控制的加速器踏板位置信号来检测车辆纵向驾驶操作的不稳定状态。

然后，如果驾驶诊断结果表示驾驶员比他平时驾驶得更加危险，即如果驾驶员的驾驶操作偏向较为危险的状态，控制器250向驾驶员发出警报，从而提示驾驶员以防止驾驶员的驾驶操作进入高危状态。另一方面，如果驾驶诊断结果表示驾驶员的驾驶操作比公众的驾驶操作水准更好，控制器250向驾驶员提供该信息以鼓励更安全的驾驶或提出改进建议。

第六实施例中使用的α值(下文称为αap值)为90百分位数(90％的加速器踏板位置误差包含于此分布范围内)，该值是通过获取基于加速器踏板位置时序数据的给定时间段内踏板操作误差，即假设平顺地操作加速踏板时的加速器踏板位置的预计值和实际加速器踏板位置的差，病通过测量加速器踏板误差的分布(变化)所计算得出。

加速器踏板位置转向熵值(下文称为Hp_ap)，代表加速器踏板位置误差分布的模糊性(不确定性)。与α值类似，当加速器踏板操作稳定且平顺时Hp_ap值变小，而当加速器踏板操作不顺且不稳定时Hp_ap值变大。Hp_ap值被αap值修正并且可以用作不受驾驶员技巧或习惯影响的驾驶员不稳定性。

在第六实施例中，使用普通驾驶员群体的加速器踏板位置误差分布计算得出的加速器踏板位置熵被用作参考状态，然后，使用所测量到的驾驶员的加速器踏板误差分布来计算加速器踏板位置熵，并通过检测驾驶员基本的驾驶操作的不稳定状态来执行驾驶诊断。

应当注意，因为加速器踏板位置受到道路线形、与前车的位置关系和驾驶员疲劳状况等的影响，有必要在驾驶员处于非疲劳状态时测量参考加速器踏板位置误差分布。因此，在第六实施例中，为了更少受到这些因素的影响，使用在沿着基本为笔直道路的道路线形的行驶中获取的加速器踏板位置数据并且基于在长时间段内测量的加速器踏板位置数据来获取加速器踏板位置误差分布。

现在将参考图47来具体说明根据第六实施例的车辆驾驶辅助系统3的性能。图47为示出第六实施例所实现的控制器250所执行的驾驶辅助控制处理的过程的流程图。该处理以例如每50msec的规律的时间间隔连续地执行。

在步骤S1331中，控制器250读取由加速器踏板位置传感器55所检测到的加速器踏板位置信号dap。在步骤S1333中，控制器250读取车辆行驶的道路的道路曲率信号ρ。在步骤S1335中，控制器250读取由车速传感器30所检测到的车速信号Vap。在步骤S1337中，控制器250读取由激光雷达10所检测到的与车辆前方障碍(更具体说为前车)的车距dd以及相对速度vr。在步骤S1339中，控制器250读取由加速度传感器35所检测到的车辆纵向加速度xg。

在下面的步骤S1341至S1349中，确定是否计算加速器踏板位置熵。更具体地，在步骤S1341中，确定在步骤S1333中读取的道路曲率信号ρ是否小于等于预定值ρapo，以确定车辆是否正沿着直路行驶。当道路曲率信号ρ小于或等于预定值ρapo时，控制器250确定车辆正沿着直路行驶，且控制流程进行至步骤S1343。当ρ＞ρapo时，控制器250终止处理。

在步骤S1343中，确定在步骤S1335中所读取的车速信号Vap是否大于预定值Vapo。预定值Vapo为一极限值，其用于确定车辆是否正沿着能够以恒定速度行驶的道路(例如高速公路)行驶，且例如Vapo＝60km/h。当车速信号Vap大于预定值Vapo时，控制流程进行至步骤S1345。当车速信号V小于或等于预定值Vapo时，控制器250终止处理。

在步骤S1345中，首先，使用在步骤S1337中所读取的车距dd和相对车速vr来计算车辆相对于前车的接触时间ttc。接触时间ttc代表在车速Vap以及相对车速Vr恒定的情况下，车辆与前车接触所需要的时间段。由下述公式(34)计算接触时间ttc。

ttc＝dd/vr    (公式34)

然后，将使用公式(34)计算得出的接触时间ttc与预定值ttcapo进行比较。预定值ttcapo为一极限值，其用于确定车辆以足够的接触时间跟随前车。如果接触时间ttc大于预定值ttcapo且车辆正跟随前车，控制流程进行至步骤S1347。如果ttc≤ttcapo，控制器250终止处理。

在步骤S1347中，将在步骤S1339中计算得出的纵向加速度xg与预定值xg_apo进行比较。预定值xg_apo为一极限值，其用于确定车辆是否正以基本恒定的速度行驶。如果xg＜xg_apo，并且控制器250确定车辆正以基本恒定的速度行驶，那么控制流程进行至步骤S1349；而如果xg≥xg_apo，那么控制器终止处理。

在步骤S1349中，将在步骤S1331中所计算得出的加速器踏板位置dap与预定值dapo进行比较。预定值dapo为一极限值，其用于确定驾驶员是否压下加速器踏板。如果dap＞dapo且控制器250确定驾驶员正在操作加速器踏板，那么控制流程进行至步骤S1351；而如果dap≤dapo，那么控制器250终止处理。

在步骤S1351中，确定在上述条件下所测量到的加速器踏板位置信号dap的样本数量n是否大于预定值Nap1。这里，预定值Nap1为一极限值，其用于确定是否已经获取足够量的长时数据，从而受到驾驶员疲劳状况的影响较小，并且例如Nap1＝100,000。应当注意，预期通过约三周时间的行驶获取100,000个数据。当样本数量n大于预定值Nap1时，控制流程进行至S1353，而当样本数量n小于或等于预定值Nap1时，控制器250终止处理。

在步骤S1353中，使用在长时间段内测量道的加速器踏板位置信号dap来计算加速器踏板位置熵Hp_ap1(下文称为长时加速器踏板位置熵)。长时加速器踏板位置熵Hp_ap1为代表驾驶员基本的驾驶操作不稳定性的值，并且为驾驶员的通常不稳定性。应当注意，加速器踏板位置熵Hp_ap1的计算方法与前述转向角熵Hp的计算方法基本相同。但是，在下文的说明中，以dapn_tilde表示加速器踏板位置的平滑值，以dapn_ha t表示加速器踏板位置的预计值，并且以e_apn表示加速器踏板位置误差。

将参考图48中的流程图来说明长时加速器踏板位置熵Hp_ap1的计算处理。在步骤S1361中，控制器250采集在前述条件下以采样间隔Ts测量到的n个加速器踏板位置信号dapn。采样间隔Ts为例如50msec。

在步骤S1362中，借助于前述公式(24)，使用时间间隔为150msec的三个邻接的加速器踏板位置dapn来计算三个加速器踏板位置平滑值dapn-tilde。在步骤S1363中，借助于前述公式(23)，使用在步骤S1362中计算得出的三个加速器踏板位置平滑值dapn-tilde来计算加速器踏板位置预计值dapn-hat。在步骤S1364中，借助于前述公式(26)，使用在步骤S1363中计算出的加速器踏板位置预计值dapn-hat和实际加速器踏板位置信号dapn来计算加速器踏板位置误差e_apn。

在步骤S1365中，如图25所示，将步骤S1364中所计算的转向误差e_apn关于作为参考状态的α值(＝αo_ap)分为9类，b1至b9，并计算每一类bi中包含的转向误差e_apn的频率相对于所有频率的概率Pi。这里作为参考状态的α值(＝αo_ap)为基于普通驾驶员群体(公众驾驶员)的加速器踏板位置信号而预设的，并且被储存于控制器250的存储器中。然后，当控制器250执行如图47所示的程序时，设置分类bi。

在下一个步骤S1366中，借助于前述公式(29)，使用在步骤S1365中计算得出的概率Pi来计算长时加速器踏板位置熵Hp_ap1。

当长时加速器踏板位置熵Hp_ap1较小时，加速器踏板位置误差e_apn的分布的陡度较大且加速器踏板位置误差e_apn的分布保持在一定范围内。也就是说，这表示加速器踏板操作平顺且操作处于稳定状态。另一方面，当长时加速器踏板位置熵Hp_ap1较大时，加速器踏板位置误差e_apn的分布的陡度较小且加速器踏板位置误差e_apn的分布改变。换句换说，这表示加速器踏板操作不顺且操作处于不稳定状态。

由此，在步骤S1353中计算得出长时加速器踏板位置熵Hp_ap1之后，控制流程进行至步骤S1355。在步骤S1355中，控制器250根据长时加速器踏板位置熵Hp_ap1向驾驶员发出警报或指示(改进建议)。当长时转向角熵Hp1_ap1较大时，与普通驾驶员群体(公众)的平均加速器踏板位置熵相比，驾驶操作的不稳定性较高。

由此，例如如图49所示，长时加速器踏板位置熵Hp_ap1的幅值被分为五个等级(SSS、SS、SM、SL和SLL)，并且控制器250告知驾驶员计算得出的长时加速器踏板位置熵Hp_ap1的幅值的等级。应当注意，适当地设置五个等级，从而使得普通驾驶员群体(公众)的平均加速器踏板熵落在如图49所示的分类的中央等级SM中。

图50示出了根据长时加速器踏板位置熵Hp_ap1的分类结果的提示内容的实例。在长时加速器踏板位置熵Hp_ap1被分在SLL等级中的情况下，控制器250在显示单元180的监示器上显示文字表明“操作不稳定性很大”。在长时加速器踏板位置熵Hp_ap1被分在SL等级中的情况下，控制器250显示文字表明“操作不稳定性略大”。在长时加速器踏板位置熵Hp_ap1被分在SM等级中，即与普通驾驶员的平均转向角熵相等的情况下，控制器250显示文字表明“操作不稳定性普通”。在长时加速器踏板位置熵Hp_ap1被分在SS等级中的情况下，控制器250显示文字表明“操作不稳定性较小”。在长时加速器踏板位置熵Hp_ap1被分在SSS等级中的情况下，控制器250显示文字表明“操作不稳定性很小”。应当注意，图50所示的提示内容可以通过扬声器130发出的语音来提示驾驶员。

由此，在上述第六实施例中，除了根据前述的第一实施例到第五实施例的有益效果之外，还能实现下述操作和有益效果。

检测加速器踏板操作量作为驾驶操作，并且使用加速器踏板操作量计算代表驾驶员的加速器踏板操作不稳定性的加速器踏板位置熵Hp_ap，以作为代表驾驶特性的指数。这样能够对车辆的纵向驾驶操作准确地执行驾驶诊断。

-第六实施例的变型1-

这里，使用在长时间段内测量的驾驶员的加速器踏板位置误差分布所计算得出的长时加速器踏板位置熵Hp_ap1被指定为参考状态。然后，通过使用在中等时间段内测量的驾驶员的加速器踏板位置误差分布来计算加速器踏板位置熵，并检测相对于驾驶员基本驾驶操作的不稳定状态的偏差度来执行驾驶诊断。

现在将参考图51和图52来具体说明根据第六实施例的变型1的车辆驾驶辅助系统3的性能。图51和图52为示出了第六实施例的变型1所实现的控制器250所执行的驾驶辅助控制处理的过程的流程图。该处理以例如每50msec的规律的时间间隔连续执行。由于步骤S1371到S1393中执行的处理与图47所示的流程图中的步骤S1331到S1353中执行的处理一样，将省略其说明。但是，在步骤S1391中确定样本数量n小于或等于预定值Nap1的情况下，控制器250并不终止处理，而是使控制流程前进至图52中的步骤S1397。

在步骤S1393中，在控制器250计算出代表参考状态的长时加速器踏板位置熵Hp_ap1之后，控制器250在步骤S1395中计算α值，该α值用于计算中时加速器踏板位置熵。这里，使用在长时间段内测量的加速器踏板位置dap来计算驾驶员个人的α值(下文称为αap1值)。将参考图53中的流程图来说明这一处理。

在步骤S1421中，控制器250采集在前述条件下以采样间隔Ts所测量的n个加速器踏板位置dapn的时序数据。采样间隔Ts为例如50msec。在步骤S1422中，借助于前述公式(24)，使用间隔150msec的三个临接的加速器踏板位置dapn来计算三个加速器踏板位置平滑值dapn-tilde。

在步骤S1423中，借助于前述公式(23)，使用在步骤S1422中所计算得到的三个加速器踏板位置平滑值dapn-tilde来计算加速器踏板预计值dapn-hat。在步骤S1424中，借助于前述公式(26)，使用在步骤S1423中计算得到的加速器踏板位置预计值dapn-hat和实际加速器踏板位置信号dapn来计算加速器踏板位置误差e_apn。

在下一个步骤S1425中，根据预定的加速器踏板位置误差对加速器踏板位置误差e_apn的频率进行计数。预定加速器踏板位置误差是考虑加速器踏板位置传感器55的精度来确定的。这里，例如在用于计算转向误差分布的图31中的表存储单元所示，以每0.001为间隔对加速器踏板位置误差e_apn进行分类。在步骤S1426中，将代表加速器踏板位置误差的分类的i_ap赋值为0。

在步骤S1427中，确定当加速器踏板位置误差e_apn＝0.000时的频率Tap0.000相对于所有加速器踏板位置误差的所有频率的概率Pap是否大于或等于90％。在频率Tap0.000的概率大于或等于90％的情况下，控制流程进行至步骤S1430。在该情况下，由于i_ap＝0，因此αap1＝0.000。如果步骤S1427中做出了否定决定，那么控制流程进行至步骤S1428。在步骤S1428中，将i_ap增值1从而将其赋值为(i_ap+1)。

在步骤S1429中，确定加速器踏板位置误差e_apn的扩展分类-0.001到+0.001中的的加速器踏板位置误差e_apn频率(Tap0.000+Tap0.001+Tap-0.001)相对于所有加速器踏板位置误差的所有频率的概率Pap是否大于或等于90％。在概率Pap大于或等于90％的情况下，控制流程进行至步骤S1430。在该情况下，由于i_ap＝1，因此αap1＝0.001。如果步骤S1429中做出了否定决定，那么控制流程返回至步骤S1428，再次将i_ap增值并重复步骤S1429中的判断。

由此，在步骤S1395中计算α_ap1值之后，控制流程进行至图52的步骤S1397。在步骤S1397中，确定在前述条件下所测量的加速器踏板位置dap的样本数量n是否大于预定值Nap2。这里，预定值Nap2为一极限值，其用于确定是否已经获取足够的中时(例如大约一天的行驶)数据来确定与已获得的驾驶员通常驾驶操作的偏差，且例如Nap2＝7200。在样本数量n大于预定值Nap2的情况下，控制流程进行至步骤S1399，而在样本数量n小于获等于预定值Nap2的情况下，控制器250终止处理。

在步骤S1399中，使用在中等时间段内所测量到的加速器踏板位置信号dap来计算中时加速器踏板位置熵Hp_ap2。中时加速器踏板位置熵Hp_ap2的值是使用在中等时间段内所测量道的加速器踏板位置信号dap计算得出的，并且以使用在长时间段内所测量到的加速器踏板位置信号dap计算的加速器踏板位置熵Hp_ap1作为参考状态。中时加速器踏板位置熵Hp_ap2的值代表相对于驾驶员基本的驾驶操作不稳定状态的偏离(差距)。中时加速器踏板位置熵Hp_ap2的计算方法与参考图48的流程图中所说明的长时加速器踏板位置熵Hp_ap1的计算方法相同。但是，以在步骤S1395中所计算得出的驾驶员个人的αap1的值作为α值。

在步骤S1401中，控制器250计算在步骤S1393中所计算出的长时加速器踏板位置熵Hp_ap1与步骤S1399中所计算出的中时加速器踏板位置熵Hp_ap2之间的差ΔHp_ap2(＝Hp_ap2-Hp_ap1)。然后，利用所计算的差ΔHp_ap2来确定驾驶操作的不稳定状态。可以认为，当中时加速器踏板位置熵Hp_ap2大于长时加速器踏板位置熵Hp_ap1时，驾驶操作的不稳定性与驾驶员基本的操作不稳定性相比变大。因此，例如在加速器踏板位置熵的差ΔHp_ap2大于预定值THap2的情况下，控制器250确定驾驶操作处于不稳定状态，且控制流程进行至步骤S1403。

在步骤S1403中，驾驶员被告知其驾驶操作处于不稳定状态。这里，例如如图54所示，加速器踏板位置熵的差ΔHp_ap2根据其幅值在大于或等于预定值THap2的区域内被分为两个等级(D2Pap和D2PPap)。然后，控制器250告知驾驶员与在步骤S1401中计算的加速器踏板位置熵的差ΔHp_ap2对应的等级。

图55示出了一种根据加速器踏板位置熵的差ΔHp_ap2的分类结果的提示内容的实例。在差ΔHp_ap2被分在大于预定值THap2L(＞THap2)的D2PPap等级中的情况下，控制器250在显示单元180的监示器上显示文字表明“操作不稳定性高于平时”。在差ΔHp_ap2被分在大于预定值THap_2的D2Pap等级中的情况下，控制器250显示文字表明“操作不稳定性略高于平时”的文字。应当注意，图55中所示的提示内容可以通过扬声器130发出的语音提供给驾驶员。

如果在步骤S1401中作出否定决定，控制器250跳过步骤S1403中的不稳定状态的告知处理。由此，在检测相对于通常驾驶操作不稳定状态的偏离并且将其告知驾驶员之后，在步骤S1405和之后步骤的处理中，控制器250基于过去的中时加速器踏板位置熵与现在的中时加速器踏板位置熵的比较结果来向驾驶员提供信息。更具体地，控制器250将过去计算的中时加速踏板位置熵(以下称为Hp_ap2p)与最近的中时加速器踏板位置熵Hp_ap2进行比较，以检测在中等时间段中驾驶操作不稳定性的变化并将其告知驾驶员。

首先，在步骤S1405中，控制器250计算过去所计算并储存的关于同一个驾驶员的过去中时加速器踏板位置熵Hp_ap2p与在步骤S1399中所计算得出的中时加速器踏板位置熵Hp_ap2之间的差ΔHp_ap2p。然后，所计算得出的差ΔHp_ap2p被用于确定驾驶操作不稳定性的变化。可以认为，当最近的中时加速器踏板位置熵Hp_ap2小于过去的中时加速踏板位置熵Hp_ap2p时，即当差ΔHp_ap2p符号为负且其绝对值较大时，驾驶操作的不稳定性相对于过去朝着减小的方向变化。因此，例如在加速器踏板位置熵的差ΔHp_ap2p小于预定值THap2p的情况下，控制器250确定驾驶操作的不稳定性降低，且控制流程进行至步骤S1407。

在步骤S1407中，控制器250告知驾驶员驾驶操作的不稳定性变低且加速器踏板操作变得更加平顺(驾驶改进建议)。这里，例如如图56所示，根据加速器踏板位置熵的差ΔHp_ap2p的幅值将其在小于预定值THap2P的区域内分为两个等级(D2PMap和D2PMMap)。然后，控制器250告知驾驶员与在步骤S1405中计算得出的加速器踏板位置熵的差ΔHp_ap2p对应等级。

图57示出了一种根据加速器踏板位置熵的差ΔHp_ap2p的分类结果的提示内容的实例。在差ΔHp_ap2p被分在小于预定值THap2P的D2PMap等级中的情况下，控制器250在显示单元180的监示器上显示文字表明“操作不稳定性略低于从前”。在差ΔHp_ap2p被分在小于预定值THap2PL(＜THap2P)的D2PMMap等级中的情况下，控制器250显示文字表明“操作不稳定性低于从前”。应当注意，图57中所示的提示内容可以通过扬声器130发出的语音提供给驾驶员。

如果在步骤S1405中作出否定决定，控制器250跳过步骤S1407中的操作改进建议处理，并且控制流程进行至步骤S1409。在步骤S1409中，在步骤S1399中计算出的中时加速器踏板位置熵Hp_ap2被设置为过去中时加速器踏板位置熵Hp_ap2p以准备下一次处理。

在步骤S1411以后的处理中，控制器250使用基于驾驶员长时加速器踏板位置信号dap所计算出的驾驶员个人αap1值来执行对驾驶员的操作改进建议。如前文所描述的，αap1值为在基于驾驶员的长时加速器踏板位置信号数据所计算出的加速器踏板位置误差分布中计算出的90百分位数。因此，αap1值为代表驾驶员长时加速器踏板位置误差分布的因数。

在步骤S1411中，将在步骤S1430中计算出的αap1值与预定值THαap1进行比较。在驾驶员的长时αap1值小于预定值THαap1的情况下，驾驶员的驾驶操作的不稳定性较低。然后，如果αap1值小于预定值THαap1，控制流程进行至步骤S1413。

在步骤S1413中，控制器250告知驾驶员驾驶操作的不稳定性较低且加速器踏板操作平顺(操作改进建议)。这里，例如如图58中所示，根据αap1的值在小于预定值THαap1的区域内将αap1值分为两个等级(α1apS和α1apSS)。然后，控制器250告知驾驶员与在步骤S1430中计算出的αap1值对应的等级。

图59示出了一种根据αap1值的分类结果的提示内容的实例。在αap1值被分在小于预定值THαap1的α1apS等级中的情况下，控制器250在显示单元180的监示器上显示文字表明“操作不稳定性较小”。在αap1值被分在小于预定值THαap1S(＜THαap1)的α1apSS等级中的情况下，控制器250显示文字表明“操作不稳定性很小”。应当注意，图59中所示的提示内容可以通过扬声器130发出的语音提供给驾驶员。

然后，控制器250终止处理。应当注意，如果在步骤S1411中做出了否定决定，控制器250跳过步骤S1413中的操作改进建议处理并且终止处理。

-第六实施例的变型2-

这里，使用在长时间段内测量的驾驶员的加速器踏板位置误差分布所计算得出的长时加速器踏板位置熵Hp_ap1被指定为参考状态。然后，通过使用在短时间段内测量的驾驶员的加速器踏板位置误差分布来计算加速器踏板位置熵，并检测相对于驾驶员基本的驾驶操作不稳定状态的短时偏差来执行驾驶诊断。

现在将参考图60具体说明根据第六实施例的变型2的车辆驾驶辅助系统3的性能。图60为示出了第六实施例的变型2所实现的控制器250执行的驾驶辅助控制处理的过程的流程图。该处理以例如每50msec的规律的时间间隔连续地执行。由于步骤S1441至S1465中所执行的处理与图51所示的流程图中步骤S1371至S1395中所执行的处理一样，故省略该部分的说明。

在步骤S1465中计算出αap1值之后，控制流程进行至步骤S1467。在步骤S1467中，确定在前述条件下所测量到的加速器踏板位置信号dap的样本数量n是否大于预定值Nap3。这里，预定值Nap3为一极限值，其用于确定是否已经获取足够的短时(例如约五分钟的行驶)数据来确定与已经获取的驾驶员通常驾驶操作的短时偏差，且例如Nap3＝1200。在样本数量n大于预定值Nap3的情况下，控制流程进行至步骤S1469，而在样本数量n小于或等于预定值Nap3的情况下，控制器250终止处理。

在步骤S1469中，使用在短时间段内所测量到的加速器踏板位置信号dap来计算短时加速器踏板位置熵Hp_ap3。短时加速器踏板位置熵Hp_ap3的值是使用在短时间段内测量到的加速器踏板位置信号dap计算得出的并且加速器踏板位置误差分布是以在长时间段内测量到的加速器踏板位置信号dap作为参考状态。短时加速器踏板位置熵Hp_ap3的值代表相对于驾驶员基本的驾驶操作不稳定状态的短时偏离(差距)。短时加速器踏板位置熵Hp_ap3的计算方法与参考图48的流程图中所说明的长时加速器踏板位置熵Hp_ap1的计算方法相同。但是，以步骤S1465中所计算的驾驶员个人的αap1的值作为α值。

在步骤S1471中，控制器250计算在步骤S1463中所计算出的长时加速器踏板位置熵Hp_ap1与在步骤S1469中所计算出的短时加速器踏板位置熵Hp_ap3之间的差ΔHp_ap3(＝Hp_ap3-Hp_ap1)。然后，利用所计算的差ΔHp_ap3来确定驾驶操作的不稳定状态。可以认为，当短时加速器踏板位置熵Hp_ap3大于长时加速器踏板位置熵Hp_ap1时，当前驾驶操作的不稳定性与驾驶员基本的操作不稳定性相比变大。因此，例如在加速器踏板位置熵的差ΔHp_ap3大于预定值THap3的情况下，控制器250确定驾驶操作处于不稳定状态，且控制流程进行至步骤S1473。

在步骤S1473中，驾驶员被告知其当前驾驶操作处于不稳定状态。这里，例如如图61所示，加速器踏板位置熵的差ΔHp_ap3根据其幅值在大于或等于预定值THap3的区域内被分为两个等级(D3Pap和D3PPap)。然后，控制器250告知驾驶员与在步骤S1471中计算出的加速器踏板位置熵的差ΔHp_ap3对应的等级。

图62示出了一种根据加速器踏板位置熵的差ΔHp_ap3的分类结果的提示内容的实例。在差ΔHp_ap3被分在大于预定值THap3L(＞THap3)的D3PPap等级中的情况下，控制器250在显示单元180的监示器上显示文字表明“操作不稳定性高”。在差ΔHp_ap3被分在大于预定值THap3的D3Pap等级中的情况下，控制器250显示文字表明“操作不稳定性略高”。应当注意，图62中所示的提示内容可以通过扬声器130发出的语音提供给驾驶员。

由此，控制器250终止处理。应当注意，如果在步骤S1471中作出否定决定，那么控制器250跳过步骤S1473中不稳定状态告知的处理并终止处理。

《第七实施例》

现在将说明根据本发明的第七实施例的车辆驾驶辅助系统。图63为示出根据本发明第七实施例的车辆驾驶辅助系统4的控制图。图64为示出了图63所示的车辆驾驶辅助系统4在汽车上如何布置的视图。

首先，将说明车辆驾驶辅助系统4的结构。

安装于车辆的前存储单元栅、保险杠或类似处的激光雷达10水平地发射红外线脉冲以扫描车前的区域。激光雷达10测量被前方多个障碍物(通常为前车的后端)反射回来的红外线脉冲的反射辐射，并且根据反射辐射的到达时间来检测距多个障碍物的车距或距离以及相对速度。所检测到的车距和相对速度被输出至控制器300。激光雷达10扫描的车前区域大约为平行于车辆纵向中心线的轴线的每侧的±6度，存在于此范围内的物体被检测到。

车速传感器30测量车轮转数或变速器输出端的转数以检测车辆的车速，并且将所检测到的车速输出至控制器300。

导航系统50，包括GPS(全球定位系统)接收器、地图数据库、显示器及类似装置，该导航系统50执行路径搜索、辅助路线选择及类似功能。基于通过GPS接收器获取的车辆当前位置和存储于地图数据库中的道路信息，导航系统50获取关于车辆行驶经过的道路的等级、宽度等的信息。

加速器踏板行程传感器55检测加速器踏板的行程量(加速器踏板的操作量)，例如通过连杆装置将加速器踏板的行程量转换成的伺服电机的转动角度，并将该转动角度输出至控制器300。制动器踏板行程传感器60检测驾驶员将制动器踏板下压的量(制动器踏板的操作量)。制动器踏板行程传感器60将所检测到的制动器踏板操作量输出至控制器300。转向信号开关65检测驾驶员是否操作转向信号控制杆，并且将检测信号输出至控制器300。

控制器300为电子控制单元，其包括CPU及诸如ROM和RAM的CPU外围部件，其控制整个车辆驾驶辅助系统4。基于从激光雷达10、车速传感器30、导航系统50、加速器踏板行程传感器55、制动器踏板行程传感器60、转向信号开关65及类似装置所接收的信号，控制器300分析驾驶员的驾驶特性并且执行驾驶诊断。然后，基于驾驶诊断结果，控制器300向驾驶员提供信息。提供给驾驶员的信息包括对驾驶员的报警、改进驾驶操作的建议等等。后文将具体描述控制器300的控制内容。

扬声器130用于响应于来自控制器300的信号而以蜂鸣声或语音向驾驶员提供信息。显示单元180用于响应于来自控制器300的信号而显示警报或对驾驶员操作的改进建议。例如，导航系统50的监示器、复合仪表及类似装置可以被用作显示单元180。

接下来，将说明根据第七实施例的车辆驾驶辅助系统4的性能，首先介绍其概况。

基于车辆的行驶状况以及驾驶员的驾驶操作，控制器300执行对驾驶员的驾驶诊断，并且，响应于驾驶诊断结果，对驾驶员发出警报以及建议驾驶员改进驾驶操作。更具体地，控制器300检测在车辆正跟随前车的状态下当驾驶员把脚从加速器踏板上抬起时的驾驶特性，并且使用所检测到的驾驶特性作为指数执行驾驶诊断。然后，如果驾驶诊断结果表示驾驶员比他平时驾驶得更加危险，即如果驾驶员的驾驶操作倾向较为危险的状态，那么控制器300向驾驶员发出警报，从而提示驾驶员以防止驾驶员的驾驶操作进入高危状态。另一方面，如果驾驶诊断结果表示驾驶员的驾驶操作比公众的驾驶操作水准更好，那么控制器300向驾驶员提供该信息以鼓励更安全的驾驶或提出改进建议。

因此，第七实施例所实现的汽车驾驶辅助系统4包括三个功能，即通过驾驶诊断来检测驾驶员的驾驶操作的功能、响应于所检测到的结果向驾驶员发出警报的功能、以及响应于所检测到的结果向驾驶员提供改进建议的功能。因此，车辆驾驶辅助系统4允许并鼓励驾驶员客观地审视自身的驾驶特性，并且根据该驾驶特性向驾驶员提供建议，从而使得驾驶员能够获知降低危险的驾驶方法。在第七实施例中，驾驶诊断是特别关于驾驶员的纵向驾驶操作来执行的。

现在将参考图65具体说明根据第七实施例的车辆驾驶辅助系统4的性能。图65为第七实施例所实现的控制器300所执行的驾驶辅助控制处理过程的流程图。该处理以例如每50msec的规律的时间间隔连续地执行。

首先，在步骤S100中检测车辆的行驶状况。这里，控制器300获取车速传感器30所检测到的车速V以及激光雷达10所检测到的车辆与前车之间的车距D和相对车速Vr，以作为车辆的行驶状况。在步骤S102中，检测驾驶员的操作状态。这里，控制器300获取加速器踏板行程传感器55所检测道的加速器踏板操作量、制动器踏板行程传感器60所检测到的制动器踏板操作量以及转向信号开关65所检测到的转向信号控制杆是否被操作，以作为驾驶员的操作状态。

在步骤S104中，为了确定后文将描述的车辆交通场景，控制器300计算车辆与前车之间的接触时间TTC和车间时距THW。接触时间TTC为代表车辆相对于前车的当前接近程度的物理量。接触时间TTC表示如果在保持当前的行驶状况，即车速V以及相对车速Vr保持不变的情况下，车距D变成零且车辆与前车互相接触所需要的秒数。接触时间TTC由下文的公式(35)表示。

TTC＝D/Vr    (公式35)

车间时距THW为代表当车辆跟随前车时预计的前车未来速度变化对接触时间TTC的影响程度(即假设相对车速Vr变化时的影响程度)的物理量。车间时距THW为车距D除以车速V的商，代表车辆到达前车的当前位置所需的时间。车间时距THW由下文的公式(36)表达。

THW＝D/V    (公式36)

在步骤S106中，确定是否执行了加速器踏板放开操作。例如，如果控制器300检测到在步骤S102中检测到的当前加速器踏板操作量变为基本为零且加速器踏板被从下压状态放开，控制流程进行至步骤S110。如果加速器踏板被下压，那么控制器300终止处理。应当注意，在下文的说明中，将放开被下压的加速器踏板的操作称为加速器踏板放开操作，而加速器踏板被放开的时间点被称为加速器踏板放开时刻。

在步骤S110中，确定车辆的交通场景。通过对车辆行驶状况和驾驶员操作状态的条件进行限制可以增加驾驶诊断的准确性，并且，为了减少在响应于驾驶诊断结果向驾驶员提供信息时对驾驶员造成的不便，对车辆的交通场景进行测定，使得仅在一种特定的交通场景中执行驾驶诊断。更具体地，仅在车辆稳定跟随同一辆前车的状态下加速踏板放开的交通场景中才执行驾驶诊断。

以下为稳定跟车交通场景的条件的实例。

(a)车辆正跟随同一辆前车(例如，当前车距与先前测量的车距之差小于4米)

(b)车辆未迅速靠近(例如，接触时间TTC大于10秒)

(c)车间时距THW等于或小于预定值(例如，车间时距THW小于4秒)

(d)驾驶员未执行制动操作(例如，制动器踏板操作量基本为零)

(e)驾驶员未执行转向信号控制杆操作(例如，未从转向信号开关65接收到ON信号)

(f)以上条件(a)至(e)保持(例如5秒钟或更久)

当条件(a)至(f)均得到满足，控制器300确定车辆的交通场景为稳定跟车交通场景，且控制流程前进至步骤S112，以使控制器300执行驾驶诊断。另一方面，如果条件(a)至(f)中的任意一项没有得到满足，控制器300确定车辆的交通场景不符合特定的交通场景，不执行驾驶诊断并终止处理。应当注意，控制器300确定车辆的交通场景是否为稳定跟车交通场景所依据的条件并不限于上述条件(a)至(f)。此外，可以使用其它的检测装置检测制动器是否被操作和转向信号控制杆是否被操作。

在步骤S112中，控制器300确定行驶位置。更具体地，基于数据库，控制器300为导航系统50的地图信息所描述的路段ID标记指数。路段ID为分配给将节点连接在一起的路段的ID，节点为车道属性改变的属性改变点。每个路段具有道路等级、路段长度(节点之间的距离)等数据。在步骤S114中，控制器300记录当前时间。

在步骤S116中，基于步骤S112和步骤S114中的标记结果，控制器300储存用于执行驾驶员的驾驶诊断的数据。这里，例如当前时间(即车辆在路段中行驶的时间)、行驶距离、路段中的驾驶特性指数、路段中的行驶次数等等被写入每个路段ID的结构中，以建立交通道路数据库。在第七实施例中，当加速器踏板被放开时的接触时间TTC被用作代表驾驶员驾驶特性的物理量。在驾驶诊断处理中将具体说明驾驶特性和驾驶特性指数的计算方法。

在下一个步骤S120中，步骤S116所储存的数据被用于执行对驾驶员的驾驶诊断。基于在车辆稳定跟随前车的状态下当加速器踏板被放开时的驾驶员驾驶特性来执行驾驶诊断。车辆跟随前车时的驾驶特性包括例如车辆和前车的车间时距THW、车间时距THW的倒数、车辆与前车的接触时间TTC、车距、车距的倒数等。在第七实施例中，以使用在加速器踏板被放开的时刻的接触时间TTC的情况作为实例进行说明。

应当注意，当加速器踏板被放开时的接触时间TTC是使用在加速器踏板放开操作时间点前后的车距D和相对车速Vr的数据的纵向滤子进行鲁棒计算得到的。

图66示出了车辆驾驶辅助系统4的数据结构。A层代表相对短时的“当前时刻”的数据量，该数据量表示驾驶员当前的操作状态。B层代表“当日”的数据量，该数据量表示长于“当前时刻”的当天的驾驶员操作状况。C层代表“通常”的数据量，该数据量表示驾驶员比“当日”更长的通常的操作状况，即个人特性。D层代表“公众”的驾驶特性的数据量，该数据量被用作将每个驾驶员的操作与普通驾驶员比较以对每个驾驶员的操作进行诊断。

越低的层的数据量越大。每个层中包含的数据量对应于用于计算“当前时刻”、“当日”和“通常”的接触时间TTC平均值的样本数量。图66所示的数据结构是通过改变样本数量来实现的。每一层中包含的数据的值通过下文所说明的实时计算持续地更新。

在驾驶诊断处理中，控制器300使用A层到D层中每一层的数据以检测不同时间跨度(即“当前时刻”、“当日”和“通常”)内的驾驶员操作。将参考图67的流程图具体说明步骤S120所执行的驾驶诊断处理。

在步骤S122中，计算“当前时刻”的驾驶员驾驶特性值以执行对驾驶员“当前时刻”的驾驶诊断。控制器300计算在限定“当前时刻”的预定的时间段内的加速器踏板放开时刻的接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)，以作为驾驶员的驾驶特性值。这里，限定“当前时刻”的预定的时间段为例如60秒，并且使用在步骤S110中确定的稳定跟车交通场景中的加速器踏板放开时刻所检测到的从过去到现在的60秒的数据来计算接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)。使用下列参数计算平均值Mean_x(n)和标准差Stdev_x(n)。

x(n)：本次获取的数据，即步骤S106中所计算的加速器踏板放开时刻的接触时间TTC

K：在预定时间段内所计算的TTC数据的数量

M₁(n)：在本次待计算的预定时间段内的TTC的总和

M₂(n)：在本次待计算的预定时间段内的TTC的平方和

M₁(n-1)：在上次计算的预定时间段内的TTC的总和

M₂(n-1)：在上次计算的预定时间段内的TTC的平方和

Mean_x(n)：本次数据的平均值，即TTC的平均值

Var_x(n)：本次数据的方差，即TTC的方差

Stdev_x(n)：本次数据的标准差，即TTC的标准差

这里，数据的数量K由预定的时间段乘以每秒的采样数量的乘积确定。例如，当“当前时刻”的预定时间为60秒而采样频率为5Hz时，数据数量K＝300。

使用具有这些参数的如下公式(37)和公式(38)分别计算和M₁(n)以及平方和M₂(n)。

M₁(n)＝M₁(n-1)+x(n)-M₁(n-1)/K    (公式37)

M₂(n)＝M₂(n-1)+(x(n))²-M₂(n-1)/K    (公式38)

分别使用下述公式(39)、(40)和(41)计算“当前时刻”的接触时间TTC的平均值Mean_x(n)、方差Var_x(n)和标准差Stdev_x(n)。

Mean_x(n)＝M₁(n)/K               (公式39)

Var_x(n)＝M₂(n)/K-(M1(n))²/K²    (公式40)

Stdev_x(n)＝√(Var_x(n))         (公式41)

在步骤S124中，为了执行驾驶员“当日”的驾驶诊断，控制器300计算“当日”的驾驶员的驾驶特性值，即在限定“当日”的预定的时间段内的加速器踏板放开时刻的接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“当日”的预定的时间段为例如360秒，并且使用在步骤S110中确定的稳定跟车行驶场景中的加速器踏板放开时刻所检测到的从过去到现在的360秒的数据来计算加速器踏板放开时刻的接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(39)和公式(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。这里，数据数量K＝1800，其中“当日”的预定时间为360秒，采样频率为5Hz。

在步骤S126中，为了执行驾驶员的“通常”的驾驶诊断，控制器300计算“通常”的驾驶员的跟车特性值，即在限定“通常”的预定的时间段内加速器踏板放开时刻的接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“通常”的预定的时间段为例如2160秒，并且使用在步骤S110中确定的稳定跟车行驶场景中加速器踏板放开时刻所检测到的从过去到现在的2160秒的数据来计算加速器踏板放开时刻的接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(39)和公式(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。这里，数据数量K＝10800，其中“通常”的预定时间为2160秒，采样频率为5Hz。

在下一个步骤S128之后的处理中，使用在步骤S122、S124和S126中计算的驾驶特性值来执行对驾驶员的驾驶诊断。这里，比较每个基于在不同时间跨度内所获取数据的驾驶员驾驶特性，从而基于两驾驶特性之间的偏差大小对驾驶员的驾驶操作进行诊断。换句话说，在图66所示的数据结构中，将较高层(如A层)与较低层(如B层)进行比较以执行驾驶诊断。

首先，在步骤S128中，控制器300计算表示“当前时刻”的驾驶员跟车特性偏离“当前日”的驾驶员跟车特性的程度的偏差度。这里，“当前时刻”相对于“当日”的偏差度表示“当日”与“当前时刻”之间的加速器踏板放开时刻的接触时间TTC的分布的差异。为了计算“当前时刻”相对于“当日”的偏差度，“当日”的加速器踏板放开时刻的接触时间TTC的分布被用作代表长时行为分布的参考分布，而“当前时刻”的加速器踏板放开时刻的接触时间TTC的分布被用作代表短时行为分布的比较对象。

作为一种偏差度的计算方法，采用在长时(例如，“当日”)行为分布的“平均值减去标准差”的位置(也称为比较值x_std)处将短时(例如“当前时刻”)的分布函数和长时(例如“当日”)的分布函数进行比较的方法。

为了计算偏差度，在假设加速器踏板放开时刻的接触时间TTC服从正态分布的情况下，使用在步骤S122和S124中所计算出的加速器踏板放开时刻的接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)，来计算概率密度函数。

如图68(a)和图68(b)所示，控制器300计算偏差度Dist_diff，该偏差度Dist_diff表示在基于预定值(比较值x_std)设定的比较对象的区域中，比较对象的短时正态分布偏离参考长时正态分布的程度。更具体地，在接触时间TTC小于比较值x_std的区域内，比较分布与参考分布之间的差(图68(a)中的阴影部分的面积以及图68(b)中的箭头长度)对应于偏差度Dist_diff。后文将描述图68(c)和图68(d)中所示的计算方法。

图69(a)和图69(b)示出了基于通过公路实验获取的结果所计算的概率密度分布和累积分布。在图69(a)中，以点划线示出了使用“当前时刻”的平均值Mean_x(n)和标准差Stdev_x(n)通过正态分布近似得出的加速器踏板放开时刻的接触时间TTC的概率密度分布，而以实线示出了使用“当日”的平均值Mean_x(n)和标准差Stdev_x(n)通过正态分布近似得出的加速器踏板放开时刻的接触时间TTC的概率密度分布。在图69(b)中，以点划线示出了“当前时刻”的累积分布，而以实线示出了“当日”的累积分布。在图69(a)和图69(b)中，“当前时刻”的加速器踏板放开时刻的接触时间TTC的平均值Mean_x(n)＝1.22，其标准差Stdev_x(n)＝0.80，“当日”的加速器踏板放开时刻的接触时间TTC的平均值Mean_x(n)＝1.63，其标准差Stdev_x(n)＝1.00。

首先，使用下述公式(42)以参考分布的平均值Mean_std和标准差Stdev_std计算比较值x_std。

x_std＝Mean_std-Stdev_std    (公式42)

比较值x_std是接触时间TTC的一个值，其表示参考分布与比较分布进行比较的点，其对应于图69(a)和图69(b)中以虚线标出的位置。

下面，计算在参考分布的比较值x_std处的累积分布的值。使用下述公式(43)计算正态分布的概率密度函数f(x)，其中以μ表示平均值，以σ表示标准差(参见图69(a))。

$f\left(x\right)=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}]}$ (公式43)

对使用公式(43)计算出的概率密度函数f(x)进行积分以得到累积分布函数F(x)，如下述公式(44)所示(参见图69(b))。

$F\left(x\right)=\∫\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(x-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}]}\mathrm{dx}$ (公式44)

使用下述公式(45)计算比较值x_std处累积分布的概率F_std(x)，其中以μ_std表示参考分布的平均值，以σ_std表示标准差。

$F_{\mathrm{std}}\left(x\right)=\∫\frac{1}{{\mathrm{\σ}}_{\mathrm{std}}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(x-{\mathrm{\μ}}_{\mathrm{std}})}^2}{2{{\mathrm{\σ}}_{\mathrm{std}}}^2}]}\mathrm{dx}$ (公式45)

然后，计算比较分布的比较值x_std处累积分布的值。使用下面的公式(46)计算比较值x_std处累积分布的概率F_comp(x)，其中以μ_comp表示比较分布的平均值，而以σ_comp表示标准差。

$F_{\mathrm{comp}}\left(x\right)=\∫\frac{1}{{\mathrm{\σ}}_{\mathrm{comp}}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(x-{\mathrm{\μ}}_{\mathrm{comp}})}^2}{2{{\mathrm{\σ}}_{\mathrm{comp}}}^2}]}\mathrm{dx}$ (公式46)

使用下面的公式(47)计算参考的累积分布的概率F_std(x)与比较对象的累积分布的概率F_comp(x)之间的差，作为“当前时刻”相对于“当日”的偏差度Dist_diff。

Dist_diff＝F_comp(x)-F_std(x)    (公式47)

已经表明，随着偏差度Dist_diff在正向上增加，“当前时刻”的驾驶员操作偏向接触时间TTC小于“当日”的接触时间TTC的方向，即更加危险的方向。已经表明，随着偏差度Dist_diff在负向上增加，“当前时刻”的驾驶员操作偏向接触时间TTC大于“当日”的接触时间TTC的方向，即较小危险的方向。当驾驶员始终以同样的跟车特性进行操作时，偏差度Dist_diff为零。

在步骤S128中，控制器300计算“当前时刻”相对于“通常”的偏差度Dist_diff。在这种情况下，“通常”的加速器踏板放开时刻的接触时间TTC的分布被用作表示长时行为分布的参考分布，而“当前时刻”的加速器踏板放开时刻的接触时间TTC的分布被用作表示短时行为分布的比较对象。然后，使用“通常”的累积分布的概率F_std(x)和“当前时刻”的累积分布的概率F_comp(x)，借助于上述公式(47)来计算“当前时刻”相对于“通常”的偏差度Dist_diff。

由此，在步骤S128中，控制器300计算“当前时刻”相对于“当日”的偏差度Dist_diff以及“当前时刻”相对于“通常”的偏差度Dist_diff，然后控制流程进行至步骤S130。在步骤S130中，与在步骤S128中执行的处理的情况一样，控制器300计算“当日”相对于“通常”的偏差度Dist_diff。应当注意，这里将“通常”的加速器踏板放开时刻的接触时间TTC的分布用作表示长时行为分布的参考分布，而将“当日”的加速器踏板放开时刻的接触时间TTC的分布用作表示短时行为分布的比较对象分布。

在下一个步骤S132中，与在步骤S128中执行的处理的情况一样，控制器300计算“通常”相对于“公众”的偏差度Dist_diff。应当注意，这里“公众”的加速器踏板放开时刻的接触时间TTC的分布被用作表示长时行为分布的参考分布，而“通常”的加速器踏板放开时刻的接触时间TTC的分布被用作表示短时行为分布的比较对象分布。预先为“公众”的驾驶特性值设置合适的固定值，即加速器踏板放开时刻的接触时间TTC的平均值和标准差。

由此，在使用多个不同的时间跨度内获取的数据在步骤S120中执行驾驶员驾驶诊断之后，控制流程进行至步骤S140。应当注意，为了简单起见，将以Dist_1a表示“当前时刻”相对于“通常”的偏差度Dist_diff，将以Dist_1b表示“当前时刻”相对于“当日”的偏差度Dist_diff，将以Dist_2表示“当日”相对于“通常”的偏差度Dist_diff，而将以Dist_3表示“通常”相对于“公众”的偏差度Dist_diff。

在步骤S140中，控制器300基于步骤S120中的驾驶诊断结果来确定是否执行报警处理。这里，控制器300确定在步骤S128中计算出的“当前时刻”相对于“通常”的偏差度Dist_1a、“当前时刻”相对于“当日”的偏差Dist_1b或者在步骤S130中计算的“当日”相对于“通常”的偏差度Dist_2是否大于极限值(例如0.30)，该极限值用于确定是否发出警报。当偏差度Dist_1a、Dist_1b和Dist_2大于极限值时，控制流程进行至步骤S150，使得控制器300向驾驶员发出警报。发出警报后，控制器300终止处理。

例如，在“当日”相对于“通常”的偏差度Dist_2大于极限值的情况下，扬声器130发出“您倾向于离前车过近”的语音以及蜂鸣声。设置语音信息的内容以告知驾驶员，驾驶员当前的车距短于通常的车距，或者劝告驾驶员增加当前车距。应当注意，实际语音信息并不限于此。当“当前时刻”相对于“当前日”的偏差度Dist_1b大于极限值时，也发出预设的适当的语音信息。

如果在步骤S140中作出否定决定且没有发出警报，控制流程进行至步骤S160且控制器300基于步骤S120的驾驶诊断结果来确定是否执行发出指示处理。这里，控制器300确定步骤S132中计算的“通常”相对于“公众”的偏差度Dist_3是否小于极限值(例如0.07)，该极限值用于确定是否发出指示(改进建议)。用于确定是否发出指示的极限值为适当的预设值，同一个驾驶员的偏差度基本上总是落在其范围内。上述值“0.07”是基于应用实车和15名测试对象的实验的结果而设置的。根据实验结果，每个测试对象的偏差度总是小于或等于0.07。

如果Dist_3小于极限值，控制流程进行至步骤S170且控制器300向驾驶员发出指示。发出指示之后，控制器300终止处理。

例如，作为发出指示的内容，控制器300输出表扬驾驶者的驾驶操作的显示和语音。例如，将“通常”的偏差度Dist_3转换为分数并显示出来。更具体地，将对偏差度Dist_3的符号取反并加50所得到的值显示在显示单元180上，作为驾驶员通常驾驶操作的分数。换句话说，通常具有较高风险的驾驶员得到的分数小于或等于50分，而安全驾驶的驾驶员得到的分数大于或等于50分。应当注意，分数在0到100分范围内：如果转换偏差度Dist_3得到的分数大于100，则向驾驶员显示100分，当转换偏差度Dist_3得到的分数小于0，则向驾驶员显示0分。

如图70所示，将公众的车距分布的示意图显示在显示单元180上以告知驾驶员其“通常”的车距与公众的车距比较。图70表示驾驶员的车距高于公众的平均车距两个等级，以视觉信息告知驾驶员：驾驶员的的跟车特性比公众的跟车特性更加安全。

此外，通过扩音器130发出的语音，控制器300告知驾驶员，该驾驶员的通常车距大于公众的通常车距，因此该驾驶员为安全跟车行驶的优秀驾驶员。例如，发出“您开车很小心，请继续保持！”的语音。从而，控制器300输出显示和语音以告知驾驶员，其跟车驾驶特性比公众驾驶员的跟车驾驶特性要好，并鼓励驾驶员保持良好的操作或改进其操作。

应当注意，虽然上述显示和语音的实例包括驾驶员所熟悉的“车距”这一措辞，显示和语音也可以包括“车间时距”的措辞。显示和语音的内容并不限于上述实例，只要向驾驶员有效地传达操作特性，以警告驾驶员避免操作处于危险状态以及建议对操作进一步改进即可。

图71中示出了基于驾驶诊断结果的另一种显示实例。在图71中，竖直轴线代表与公众的跟车特性相比较的驾驶员的个人特性，而水平轴线代表与驾驶员的通常跟车特性相比较的驾驶员的当前状态。如前文所描述的，可以将跟车行驶中加速踏板放开操作时刻的接触时间TTC用作跟车特性。当在步骤S130中计算的“当日”相对于“通常”的偏差度变大时，标记M向右移动，即向高危险的方向移动。当在步骤S132中计算的“通常”相对于“公众”的偏差度变大时，标记M向上移动，即向高危险的方向移动。

由此，在图71所示的显示实例中，基于“公众”的驾驶诊断结果和“通常”的驾驶诊断结果(即基于驾驶员个人特性的驾驶诊断结果)被绘制在由两条轴线构成的二维图上。应当注意，水平轴线可以表示“当前时刻”相对于“当日”的偏差度或者“当前时刻”相对于“通常”的偏差度。此外，竖直轴线和水平轴线可以互相调换并显示。

此外，如图71所示，二维图可以被划分为分别具有不同颜色的多块，使得驾驶员能够容易地理解驾驶员的驾驶特性所绘制的位置。例如，图71的右上块可以显示为例如深红的深色，而左下块可以显示为例浅蓝的浅色，在其之间可以使用渐变色。

由此，在上文所说明的第七实施例中，除了根据前文所描述的第一实施例至第六实施例的有益效果之外，还能实现下述操作和有益效果。

控制器300计算当加速器踏板被放开时的车辆与前车的接触时间TTC，以作为代表驾驶特性的指数。因为接触时间TTC代表当车速V与相对车速Vr恒定时车辆与前车互相接触所需要的时间段，所以通过使用接触时间TTC作为表示车辆跟随前车时驾驶员特性的指数，能够在跟车行驶场景中执行准确的驾驶诊断。

-第七实施例的变型-

现在将说明偏差度Dist_diff的另一种计算方法。这里，长时间段(如“当日”)的行为分布和短时间段(如“当前时刻”)的行为分布均被近似为正态分布，以计算两个正态分布不重合的范围的面积大小作为偏差度Dist_diff。

更具体地，如图68(c)和图68(d)所示，计算在接触时间TTC小于参考分布和比较分布的交叉点α的区域内的比较分布和参考分布之间的差，即比较分布脱离参考分布的区域的面积大小，以作为偏差度Dist_diff。

将参考分布的平均值μ_std和标准差σ_std以及比较分布的平均值μ_comp和标准差σ_comp代入公式(44)，参考分布的概率密度函数f_std(x)和比较分布的概率密度函数f_comp(x)分别由以下公式(48)和公式(49)表示。

$f_{\mathrm{std}}\left(x\right)=\frac{1}{{\mathrm{\σ}}_{\mathrm{std}}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(x-{\mathrm{\μ}}_{\mathrm{std}})}^2}{2{{\mathrm{\σ}}_{\mathrm{std}}}^2}]}$ (公式48)

$f_{\mathrm{comp}}\left(x\right)=\frac{1}{{\mathrm{\σ}}_{\mathrm{comp}}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(x-{\mathrm{\μ}}_{\mathrm{comp}})}^2}{2{{\mathrm{\σ}}_{\mathrm{comp}}}^2}]}$ (公式49)

计算公式(48)和公式(49)的联立方程，分布频率在两点α和β(α＜β)处重合。为了得到接触时间TTC小于交叉点α的区域内两个正态分布不重合的范围的面积，将交叉点α代入用于计算参考分布的累积分布函数的前述公式(45)以及用于计算比较分布的累积分布函数的上述公式(46)。然后，以交叉点α处的比较分布的累积分布的概率F_comp(α)中减去参考分布的累积分布概率F_std(α)。

使用下述公式(50)计算偏差度Dist_diff。

-Dist_diff＝F_comp(α)-F_std(α)(公式50)

应当注意，使用下述公式(51)计算两个正态分布重合的区域Dist_corr。

-Dist_corr＝1--Dist_diff    (公式51)

《第八实施例》

现在将说明根据本发明的第八实施例的车辆驾驶辅助系统。图72示出了根据第八实施例的车辆驾驶辅助系统5的结构的控制图。在第八实施例中，与前述第七实施例中具有同样功能的单元标有同样的附图标记，并且省略其说明。因此，将主要说明与第七实施例的差别。

如图72所示，车辆驾驶辅助系统5包括转向角传感器5、激光雷达10、前摄像机15、车速传感器30、导航系统50、制动器踏板行程传感器60、转向灯信号开关65、控制器350、扬声器130以及显示单元180。

转向角传感器5为安装在例如转向柱或方向盘(未示出)附近的角度传感器，其根据转向轴的旋转检测驾驶员转向的转向角。所检测到的转向角被输出至控制器350。

前摄像机15为安装在前挡风玻璃顶部的小型CCD(电耦合器件)摄像机、CMOS(互补金属氧化物半导体)摄像机及类似摄像机，其以图像的方式检测前方的行车状况。控制器350对从前摄像机15接收到的图像信号进行图像处理并且检测车辆前方区域内的车道标识线等等。应当注意，前摄像机15检测的区域为在水平方向上相对于车辆的纵向中心线大约±30度的范围内，该区域内包含的道路的前视图被加载为图像。

控制器350为电子控制单元，其由包括CPU及诸如ROM和RAM的CPU外围部件构成，其控制整个车辆驾驶辅助系统5。基于从转向角传感器5、激光雷达10、前摄像机15、车速传感器30、导航系统50、制动器踏板行程传感器60、转向灯信号开关65及类似装置所接收的信号，控制器350分析驾驶员的驾驶特性并且执行驾驶诊断。然后，基于驾驶诊断结果，控制器350向驾驶员提供信息。提供给驾驶员的信息包括对驾驶员的报警、改进驾驶操作的建议等等。后文将具体描述控制器350的控制内容。

在第八实施例中，基于车辆的行驶状况以及驾驶员的驾驶操作，控制器350执行对驾驶员的驾驶诊断，并且，响应于驾驶诊断结果，对驾驶员发出警报以及建议驾驶员改进驾驶操作。更具体地，控制器350检测车辆偏离其所行驶的车道所需要的时间段(车道横越时间)作为驾驶员的驾驶特性，并且使用所检测到的驾驶特性作为指数来执行对驾驶员的驾驶诊断。换句话说，驾驶操作是关于驾驶员的横向驾驶操作来执行的。

现在将参考图73具体说明根据第八实施例的车辆驾驶辅助系统5的性能。图73为示出了第八实施例中所实现的控制器350所执行的驾驶辅助控制处理的过程的流程图。该处理以例如每50msec的规律的时间间隔连续地执行。

首先，在步骤S200中，检测车辆的行驶状况。这里，控制器350获取车速传感器30所检测到的车速V以及激光雷达10所检测到的车辆与前车之间的车距D和相对车速Vr，作为车辆的行驶状况。此外，控制器350对前摄像机15所捕捉到的车前区域的图像执行图像处理，并且检测车辆的车道标识线。

在步骤S202中，控制器350检测驾驶员的操作状态。这里，控制器350获取由制动踏板行程传感器60所检测到的制动踏板操作量、以及由转向信号开关65所检测到的转向信号控制杆是否被操作，作为驾驶员的操作状态。此外，控制器350获取由转向角传感器5所检测到的转向角θ。

在步骤S204中，控制器350计算车道横越时间TLC，车道横越时间TLC在后述的驾驶诊断中被用做驾驶员的横向驾驶特性。车道横越时间TLC为代表车辆偏离其所行驶的车道所需要的时间的物理量，并且使用从车辆当前位置到车道标识线的横向距离DL以及车辆的速度V根据下述公式(52)计算。

TLC＝DL/V    (公式52)

在步骤S206中，确定是否执行转向调节。更具体地，当在转向角保持基本恒定的转向操作状态下以大于等于预定值的转向角执行了转向操作的情况下，控制器350确定执行了转向调节。这里，用于确定是否执行了转向调节的极限值是根据道路宽度、车道数量等等预先设定的。在确定是否执行了转向调节时，控制器350根据导航系统50和前摄像机15所获取的车道宽度、车道数量等等来选择极限值。如果控制器350确定执行了转向调节，控制流程进行至步骤S210，而如果并未执行转向调节，控制器350终止处理。

在步骤S210中，确定车辆的交通场景。通过对车辆行驶状况和驾驶员操作状态的条件进行限制可以增加驾驶诊断的准确性，并且，为了减少在响应于驾驶诊断结果向驾驶员提供信息时对驾驶员造成的不便，对车辆的交通场景进行测定，使得仅在一种特定的交通场景中执行驾驶诊断。更具体地，仅在车辆稳定行驶状态下执行转向调节的交通场景中才执行驾驶诊断。

以下为稳定行驶状况的条件的实例。

(a)驾驶员并未执行制动操作(例如，制动器踏板操作量基本为零)

(b)驾驶员并未执行转向信号控制杆操作(例如未接收到转向灯开关65的ON信号)

(c)几乎没有车速波动(例如车速V的变化小于或等于±10km/h)

(d)前述状态(a)至(c)保持(例如五秒钟或更多)

当条件(a)至(d)均得到满足，控制器350确定车辆处于稳定行驶状况，且控制流程进行至步骤S212，以使控制器350执行驾驶诊断。另一方面，在条件(a)至(d)中的任意一项没有得到满足的情况下，控制器350确定车辆的交通场景不符合特定的交通场景，不执行驾驶诊断并中止处理。应当注意，控制器350确定车辆处于稳定行驶状况所依据的条件并不限于上述条件(a)至(d)。此外，可以用其它的检测装置检测制动器是否被操作和转向信号控制杆是否被操作。

在步骤S212中，确定行驶位置。在步骤S214中，记录当前时间。在步骤S216中，基于步骤S212和步骤S214中标记的结果，控制器350储存用于执行驾驶员的驾驶诊断的数据。这里，例如当前时间(即车辆在路段中行驶的时间)、行驶距离、路段中的驾驶特性指数、路段中的行驶次数等等被写入每个路段ID的结构中，以建立交通道路数据库。

在第八实施例中，使用执行转向调节时的车道横越时间TLC作为代表驾驶员驾驶特性的物理量。更具体地，使用车辆在转向方向上偏离当前车道所需要的时间。在驾驶诊断处理中将具体说明驾驶特性和驾驶特性指数的计算方法。

在下一个步骤S220中，控制器350使用步骤S216中所存储的数据以执行对驾驶员的驾驶诊断。驾驶诊断是基于当驾驶员在稳定行驶状况下执行转向调节时的驾驶员驾驶特性来执行的。作为转向调节时的驾驶特性，这里以使用驾驶员执行转向调节时的车道横越时间TLC的情况作为实例进行说明。

图74示出了车道横越时间TLC的时间变化的实例。图75示出了车道横越时间TLC的频率分布的实例。如图75所示，当车辆处于稳定行驶状况时，车道横越时间TLC的分布通常在2.0秒处到达峰值。图76示出了在转向调节时车道横越时间TLC的即时变化的实例。如图76所示，当驾驶员处于放松的驾驶操作中时，由于转向调节的延迟，车道横越时间TLC往往较短；另一方面，当驾驶员处于紧张的驾驶操作中时，由于转向调节及时，车道横越时间TLC往往较长。

在驾驶诊断处理中，使用图66所示的数据结构的A层到D层的每一层的数据来确定不同时间跨度(即“当前时刻”、“当日”和“通常”)内的驾驶员操作。将参考图77的流程图具体说明在步骤S220中执行的驾驶诊断处理。

在步骤S222中，计算“当前时刻”的驾驶员驾驶特性值以执行对驾驶员“当前时刻”的驾驶诊断。控制器350计算在限定“当前时刻”的预定的时间段内的转向调节时刻的车道横越时间TLC的平均值Mean_x(n)和标准差Stdev_x(n)，以作为驾驶员的驾驶特性值。这里，限定“当前时刻”的预定的时间段为例如60秒，并且使用在步骤S210中确定的稳定交通场景中的转向调节时刻所检测到的从过去到现在的60秒的数据来计算车道横越时间TLC的平均值Mean_x(n)和标准差Stdev_x(n)。与在第七实施例中的情况一样，分别使用公式(39)和(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。

在步骤S224中，为了执行驾驶员“当日”的驾驶诊断，控制器350计算“当日”的驾驶员的驾驶特性值，即在限定“当日”的预定的时间段内的转向调节时刻的车道横越时间TLC的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“当日”的预定的时间段为例如360秒，并且使用在步骤S210中确定的稳定行驶状况中的转向调节时刻所检测到的从过去到现在的360秒的数据来计算车道横越时间TLC的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(39)和(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。这里，数据数量K＝1800，其中“当日”的预定时间为360秒，采样频率为5Hz。

在步骤S226中，为了执行驾驶员“通常”的驾驶诊断，控制器350计算“通常”的驾驶员的跟车特性值，即在限定“通常”的预定的时间段内转向调节时刻的车道横越时间TLC的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“通常”的预定的时间段为例如2160秒，并且使用在步骤S210中确定的稳定交通场景中转向调节时刻所检测到的从过去到现在的2160秒的数据来计算车道横越时间TLC的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(39)和(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。这里，数据数量K＝10800，其中“通常”的预定时间为2160秒，采样频率为5Hz。

在下一个步骤S228之后的处理中，使用在步骤S222、S224和S226中计算的驾驶特性值来执行对驾驶员的驾驶诊断。这里，比较每个基于在不同时间跨度内所获取数据的驾驶员驾驶特性，从而基于两驾驶特性之间的偏差大小对驾驶员的驾驶操作进行诊断。换句话说，在图66所示的数据结构中，将较高层(如A层)与较低层(如B层)进行比较以执行驾驶诊断。

首先，在步骤S228中，控制器350计算表示“当前时刻”的驾驶员驾驶特性偏离“当日”的驾驶员驾驶特性的程度的偏差度。这里，“当前时刻”相对于“当日”的偏差度表示“当日”与“当前时刻”之间的转向调节时刻的车道横越时间TLC的分布的差异。为了计算“当前时刻”相对于“当日”的偏差度，“当日”的转向调节时刻的车道横越时间TLC的分布被用作代表长时行为分布的参考分布，而“当前时刻”的转向调节时刻的车道横越时间TLC的分布被用作代表短时行为分布的比较对象。

这里，与在第七实施例中的情况一样，使用前述公式(47)或公式(50)来计算偏差度Dist_diff。此外，计算“当前时刻”相对于“通常”的偏差度Dist_diff。在这种情况下，“通常”的转向调节时刻的车道横越时间TLC的分布被用作代表长时行为分布的参考分布，而“当前时刻”的转向调节时刻的车道横越时间TLC的分布被用作代表短时行为分布的比较对象。然后，使用“通常”的累积分布的概率F_std(x)和“当前时刻”的累积分布的概率F_comp(x)，借助于前述公式(47)或公式(50)来计算“当前时刻”相对于“通常”的偏差度Dist_diff。

由此，在步骤S228中计算“当前时刻”相对于“当日”的偏差度Dist_diff以及“当前时刻”相对于“通常”的偏差度Dist_diff之后，控制流程进行至步骤S230。在步骤S230中，与在步骤S228中执行处理的情况一样，计算“当日”相对于“通常”的偏差度Dist_diff。应当注意，这里将“通常”的转向调节时刻的车道横越时间TLC的分布用作表示长时行为分布的参考分布，而将“当日”的转向调节时刻的车道横越时间TLC的分布用作表示短时行为分布的比较对象分布。

在下一个步骤S232中，与在步骤S228中执行的处理的情况一样，计算“通常”相对于“公众”的偏差度Dist_diff。应当注意，这里“公众”的转向调节时刻的车道横越时间TLC的分布被用作表示长时行为分布的参考分布，而“通常”的转向调节时刻的车道横越时间TLC的分布被用作表示短时行为分布的比较对象分布。预先为“公众”的驾驶特性值设置合适的固定值，即转向调节时刻的车道横越时间TLC的平均值与标准差。

由此，在使用多个不同的时间跨度内获取的数据在步骤S220中执行驾驶员驾驶诊断之后，控制流程进行至步骤S240。应当注意，为了简单起见，将以Dist_1a表示“当前时刻”相对于“通常”的偏差度Dist_diff，将以Dist_1b表示“当前时刻”相对于“当日”的偏差度Dist_diff，将以Dist_2表示“当日”相对于“通常”的偏差度Dist_diff，而将以Dist_3表示“通常”相对于“公众”的偏差度Dist_diff。

在步骤S240中，控制器350基于步骤S220中的驾驶诊断结果来确定是否执行报警处理。这里，控制器350确定步骤S228中计算出的“当前时刻”相对于“通常”的偏差度Dist_1a、“当前时刻”相对于“当日”的偏差Dist_1b或者在步骤S230中计算出的“当日”相对于“通常”的偏差度Dist_2是否大于极限值(例如0.30)，该极限值用于确定是否发出警报。当偏差度Dist_1a、Dist_1b和Dist_2大于极限值时，控制流程进行至步骤S250，使得控制器350向驾驶员发出警报。发出警报后，控制器350终止处理。

例如，在“当日”相对于“通常”的偏差度Dist_2大于极限值的情况下，扬声器130发出“小心穿越车道”的语音以及蜂鸣声。设置语音信息的内容以告知驾驶员，驾驶员当前在进行的转向调节有一定延迟，或者劝告驾驶员进行稳定的转向操作。应当注意，实际语音信息并不限于此。当“当前时刻”相对于“当日”的偏差度Dist_1b大于极限值时，也发出预设的适当的语音信息。

如果步骤S240中作出否定决定且没有发出警报，控制流程进行至步骤S260且控制器350基于步骤S220的驾驶诊断结果来确定是否执行发出指示处理。这里，控制器350确定步骤S232中计算的“通常”相对于“公众”的偏差度Dist_3是否小于极限值(例如0.07)，该极限值用于确定是否发出指示(改进建议)。用于确定是否发出指示的极限值为适当的预设值，同一个驾驶员的偏差度基本上总是落在其范围内。上述值“0.07”是基于应用实车和15名测试对象的实验的结果而设置的。根据实验结果，每个测试对象的偏差度总是小于或等于0.07。

如果Dist_3小于极限值，控制流程进行至步骤S270且控制器350向驾驶员发出指示。发出指示之后，控制器350终止处理。

例如，作为发出指示的内容，控制器350输出表扬驾驶者的驾驶操作的显示和语音。例如，将“通常”的偏差度Dist_3转换为分数并显示出来。更具体地，将对偏差度Dist_3的符号取反再加50所得到的值显示在显示单元180上，作为驾驶员通常驾驶操作的分数。换句话说，通常转向调节延迟的驾驶员得到的分数小于或等于50分，而转向操作及时、稳定的的优秀驾驶员得到的分数大于或等于50分。应当注意，分数在0到100分范围内：如果转换偏差度Dist_3得到的分数大于100，则向驾驶员显示100分，当转换偏差度Dist_3得到的分数小于0，则向驾驶员显示0分。

应当注意，可以通过语音来建议改进。由此，输出显示和语音以告知驾驶员其跟车驾驶特性比公众驾驶员的跟车驾驶特性要好，并鼓励驾驶员保持良好的操作或改进其操作。此外，可以使用图71所示的二维图来显示驾驶诊断结果。

由此，在上文所说明的第八实施例中，除了根据前文所描述的第一实施例至第七实施例的有益效果之外，还能实现下述操作和有益效果。

控制器350计算当执行转向调节时车辆偏离车道所需的车道横越时间TLC，以作为代表驾驶特性的指数。因为车道横越时间TLC代表当车辆到达车道边缘并偏离其自身车道所需要的时间段，所以使用车道横越时间TLC作为表示驾驶员驾驶特性的指数，以对驾驶员是处于放松驾驶操作状态还是紧张驾驶操作状态执行准确的驾驶诊断。

《第九实施例》

现在将说明根据本发明的第九实施例的车辆驾驶辅助系统。根据第九实施例的车辆驾驶辅助系统的基本结构与图63所示的第七实施例中的一样。因此，将主要说明与第七实施例的差别。应当注意，在第九实施例所实现的车辆驾驶辅助系统中，可以省略加速器踏板行程传感器55。

在第九实施例中，当驾驶员在跟随前车的状态下下压制动踏板时检测驾驶特性，并且使用所检测到的驾驶特性作为指数来执行驾驶诊断。

现在将参考图78具体说明根据第九实施例的车辆驾驶辅助系统4。图78为示出第九实施例所实现的控制器300所执行的驾驶辅助控制处理过程的流程图。该处理以例如每50msec的规律的时间间隔连续地执行。

首先，在步骤S800中检测车辆的行驶状况。这里，控制器300获取车速传感器30所检测到的车速V以及激光雷达10所检测到的车辆与前车之间的车距D和相对车速Vr，作为车辆的行驶状况。在步骤S802中检测驾驶员的操作状态。这里，控制器300获取制动踏板行程传感器60所检测到的制动踏板操作量以及转向信号开关65所检测到的转向信号控制杆是否被操作，作为驾驶员的操作状态。在步骤S804中，为了确定后文将描述的车辆的交通场景，使用前述公式(35)和公式(36)来计算车辆与前车之间的接触时间TTC和车间时距THW。

在步骤S806中，确定制动器踏板是否被压缩。例如，在制动器踏板操作量大于零的情况下，控制器300确定制动器踏板被下压。在制动器踏板被下压的情况下，控制流程进行至步骤S810，而在制动器踏板未被下压的情况下，控制器300终止处理。应当注意，在下文的说明中，制动器踏板受到下压操作的状态被称为制动器操作时间。

在步骤S810中，确定车辆的交通场景。通过对车辆行驶状况和驾驶员操作状态的条件进行限制可以增加驾驶诊断的准确性，并且，为了减少在响应于驾驶诊断结果向驾驶员提供信息时对驾驶员造成的不便，对车辆的交通场景进行测定，使得仅在一种特定的交通场景中执行驾驶诊断。更具体地，仅在车辆稳定跟随同一辆前车的状态下驾驶员操作制动器踏板的交通场景中才执行驾驶诊断。

以下为稳定跟车交通场景的条件的实例。

(a)车辆正跟随同一辆前车(例如，当前车距与先前测量的车距之间的差距小于4米)

(b)车辆并未迅速靠近(例如，接触时间TTC大于10秒)

(c)车间时距THW小于预定值(例如，车间时距THW小于4秒)

(d)驾驶员并未执行转向信号控制杆操作(例如，并未从转向信号开关65接收到ON信号)

(e)以上状态(a)至(d)保持(例如5秒钟或更久)

当条件(a)至(e)均得到满足，控制器300确定车辆的交通场景为稳定跟车行驶场景，且控制流程前进至步骤S812，以使控制器300执行驾驶诊断。另一方面，如果条件(a)至(e)中的任意一项没有得到满足，控制器300确定车辆的交通场景不符合特定的交通场景，不执行驾驶诊断并终止处理。应当注意，控制器300确定车辆的交通场景是否为稳定跟车交通场景所依据的条件并不限于上述条件(a)至(e)。此外，可以用其它的检测装置检测制动器是否被操作和转向信号控制杆是否被操作。

在步骤S812中，确定行驶位置。在步骤814中，记录当前时间。在步骤S816中，基于步骤S812和步骤S814中标记的结果，控制器300储存用于执行驾驶员的驾驶诊断的数据。这里，例如当前时间(即车辆在路段中行驶的时间)、行驶距离、路段中的驾驶特性指数、路段中的行驶次数等等被写入每个路段ID的结构中以建立交通道路数据库。在第九实施例中，在制动器操作时刻所计算的接触时间TTC的最小值(最小接触时间)被用作代表驾驶员驾驶特性的物理量。

在下一个步骤S820中，使用步骤S816中所存储的数据以执行对驾驶员的驾驶诊断。驾驶诊断是基于当驾驶员在稳定跟车行驶状况下压下制动器踏板时的驾驶员驾驶特性来执行的。制动器操作时刻的驾驶特性包括车辆与前车的车间时距THW、车间时距的倒数1/THW、车距D、车距的倒数等。这里以当驾驶员下压制动器踏板时的最小接触时间TTC的情况作为实例进行说明。

在驾驶诊断处理中，使用图66所示的数据结构的A层到D层的每一层的数据来确定不同时间跨度(即“当前时刻”、“当日”和“通常”)内的驾驶员操作。将参考图79的流程图具体说明在步骤S820中执行的驾驶诊断处理。

在步骤S822中，计算“当前时刻”的驾驶员驾驶特性值以执行对驾驶员“当前时刻”的驾驶诊断。控制器300计算在限定“当前时刻”的预定的时间段内的制动器操作时刻的最小接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)，以作为驾驶员的驾驶特性值。这里，限定“当前时刻”的预定的时间段为例如60秒，并且使用在步骤S810中确定的稳定跟车行驶状况中制动器操作时刻所检测到的从过去到现在的60秒的数据来计算最小接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)。与在第七实施例中的情况一样，分别使用公式(39)和公式(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。

在步骤S824中，为了执行驾驶员“当日”的驾驶诊断，控制器300计算“当日”的驾驶员的驾驶特性值，即在限定“当日”的预定的时间段内的制动器操作时刻的最小接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“当日”的预定时间段为例如360秒，并且使用在步骤S810中确定的稳定跟车行驶状况中的制动器操作时刻所检测到的从过去到现在的360秒的数据来计最小接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(39)和公式(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。这里，数据数量K＝1800，其中“当日”的预定时间为360秒，采样频率为5Hz。

在步骤S826中，为了执行驾驶员“通常”的驾驶诊断，控制器300计算“通常”的驾驶员跟车特性值，即在限定“通常”的预定的时间段内的制动器操作时刻的最小接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“通常”的预定的时间段为例如2160秒，并且使用在步骤S810中确定的稳定跟车行驶场景中在制动器操作时刻所检测到的从过去到现在的2160秒的数据来计算最小接触时间TTC的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(39)和公式(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。这里，数据数量K＝10800，其中“通常”的预定时间为2160秒，采样频率为5Hz。

在下一个步骤S828之后的处理中，使用在步骤S822、S824和S826中计算的驾驶特性值来执行对驾驶员的驾驶诊断。这里，比较每个基于在不同时间跨度内所获取数据的驾驶员驾驶特性，从而基于两驾驶特性之间的偏差大小对驾驶员的驾驶操作进行诊断。换句话说，在图66所示的数据结构中，将较高层(如A层)与较低层(如B层)进行比较以执行驾驶诊断。

首先，在步骤S828中，控制器300计算表示“当前时刻”的驾驶员驾驶特性偏离“当日”的驾驶员驾驶特性的程度的偏差度。这里，“当前时刻”相对于“当日”的偏差度表示“当日”与“当前时刻”的制动器操作时刻的最小接触时间TTC的分布之间的差异。为了计算“当前时刻”相对于“当日”的偏差度，“当日”的制动器操作时刻的最小接触时间TTC的分布被用作代表长时行为分布的参考分布，而“当前时刻”的制动器操作时刻的最小接触时间TTC的分布被用作代表短时行为分布的比较对象。

这里，与在第七实施例中的情况一样，使用前述公式(47)或公式(50)来计算偏差度Dist_diff。此外，计算“当前时刻”相对于“通常”的偏差度Dist_diff。在这种情况下，“通常”的制动器操作时刻的最小接触时间TTC的分布被用作代表长时行为分布的参考分布，而“当前时刻”的制动器操作时刻的最小接触时间TTC的分布被用作代表短时行为分布的比较对象。然后，使用“通常”的累积分布的概率F_std(x)和“当前时刻”的累积分布的概率F_comp(x)，借助于前述公式(47)或公式(50)来计算“当前时刻”相对于“通常”的偏差度Dist_diff。

由此，在步骤S828中计算“当前时刻”相对于“当日”的偏差度Dist_diff以及“当前时刻”相对于“通常”的偏差度Dist_diff之后，控制流程进行至步骤S830。在步骤S830中，与在步骤S828中执行处理的情况一样，计算“当日”相对于“通常”的偏差度Dist_diff。应当注意，这里将“通常”的制动器操作时刻的最小接触时间TTC的分布用作表示长时行为分布的参考分布，而将“当日”的制动器操作时刻的最小接触时间TTC的分布用作表示短时行为分布的比较对象分布。

在下一个步骤S832中，与在步骤S828中执行处理的情况一样，计算“通常”相对于“公众”的偏差度Dist_diff。应当注意，这里“公众”的制动器操作时刻的最小接触时间TTC的分布被用作表示长时行为分布的参考分布，而“通常”的制动器操作时刻的最小接触时间TTC的分布被用作表示短时行为分布的比较分布。预先设置合适的固定值作为“公众”驾驶特性值，即制动器操作时刻的最小接触时间TTC的平均值与标准差。

由此，在使用多个不同的时间跨度内获取的数据在步骤S820中执行驾驶员驾驶诊断之后，控制流程进行至步骤S840。应当注意，为了简单起见，将以Dist_1a表示“当前时刻”相对于“通常”的偏差度Dist_diff，将以Dist_1b表示“当前时刻”相对于“当日”的偏差度Dist_diff，将以Dist_2表示“当日”相对于“通常”的偏差度Dist_diff，而将以Dist_3表示“通常”相对于“公众”的偏差度Dist_diff。

在步骤S840中，控制器300基于步骤S820中的驾驶诊断结果来确定是否执行报警处理。这里，确定在步骤S828中计算出的“当前时刻”相对于“通常”的偏差度Dist_1a、“当前时刻”相对于“当日”的偏差Dist_1b或者在步骤S830中计算的“当日”相对于“通常”的偏差度Dist_2是否大于极限值(例如0.30)，该极限值用于确定是否发出警报。当偏差度Dist_1a、Dist_1b和Dist_2大于极限值时，控制流程进行至步骤S850，使得控制器300向驾驶员发出警报。发出警报后，控制器300终止处理。

例如，在“当日”相对于“通常”的偏差度Dist_2大于极限值的情况下，扬声器130发出“您的制动器操作有些延迟”的语音以及蜂鸣声。设置语音信息的内容以告知驾驶员，驾驶员当前在进行制动器踏板操作上有一定延迟，或者劝告驾驶员进行迅速的制动器操作。应当注意，实际语音信息并不限于此。当“当前时刻”相对于“通常”的偏差度Dist_1a或“当前时刻”相对于“当日”的偏差度Dist_1b大于极限值时，也发出预设的合适的语音信息。

如果步骤S840中作出否定决定且没有发出警报，控制流程进行至步骤S860且控制器300基于步骤S820的驾驶诊断结果来确定是否执行发出指示处理。这里，确定步骤S832中计算的“通常”相对于“公众”的偏差度Dist_3是否小于极限值(例如0.07)，该极限值用于确定是否发出指示(改进建议)。

如果Dist_3小于极限值，控制流程进行至步骤S870且控制器300向驾驶员发出指示。发出指示之后，控制器300终止处理。例如，作为指示内容，控制器300输出表扬驾驶者的驾驶操作的显示和语音。例如，将“通常”的偏差度Dist_3转换为分数并显示出来。更具体地，将对偏差度Dist_3的符号取反再加50所得到的值显示在显示单元180上，作为驾驶员通常驾驶操作的分数。换句话说，制动器操作有一定延时的驾驶员得到的分数小于或等于50分，而具有制动器操作及时、稳定的好驾驶员得到的分数大于或等于50分。应当注意，分数在0到100分范围内：如果转换偏差度Dist_3得到的分数大于100，则显示100分，当转换偏差度Dist_3得到的分数小于0，则显示0分。

应当注意，可以通过语音来建议改进。由此，控制器300输出显示和语音以告知驾驶员其跟车驾驶特性比公众驾驶员的跟车驾驶特性要好，并鼓励驾驶员保持良好的操作或改进其操作。此外，可以使用图71所示的二维图来显示驾驶诊断结果。

由此，在上文所说明的第九实施例中，除了根据前文所描述的第一实施例至第八实施例的有益效果之外，还能实现下述操作和有益效果。

控制器300计算当执行制动器操作时车辆与前车的最小接触时间TTC，以作为代表驾驶特性的指数。接触时间TTC代表在车速V以及相对车速Vr恒定的情况下，车辆与前车互相接触所需要的时间段。通过算出在驾驶员在车辆跟随前车的状态中执行制动器操作的情况下接触时间TTC的减小程度，并将其用作表示驾驶员特性的指数，能够针对在跟车行驶场景中的制动器操作的情况执行准确的驾驶诊断。

《第十实施例》

现在将说明根据本发明的第十实施例的车辆驾驶辅助系统。根据第十实施例的车辆驾驶辅助系统的基本结构与图63所示的第七实施例中的一样。因此，现在将主要说明其与前述第七实施例的差别。应当注意，在第十实施例所实现的车辆驾驶辅助系统中，可以省略加速踏板行程传感器55。

在第十实施例中，检测当车辆经过前车时的驾驶特性，并且将所检测到的驾驶特性用作指数来执行驾驶诊断。

现在将参考图80具体说明根据第十实施例的车辆驾驶辅助系统4的性能。图80为示出了第十实施例所实现的控制器300所执行的驾驶辅助控制处理过程的流程图。该处理以例如每50msec的规律的时间间隔连续地执行。

首先，在步骤S900中，检测车辆的运行状况。这里，控制器300获取车速传感器30所检测到的车速V以及激光雷达10所检测的车距D和车辆与前车之间相对车速Vr，作为车辆的行驶状况。另外，从导航系统50获取车辆正行驶的道路的信息。在步骤S902中，检测驾驶员的操作状态。这里，控制器300获取制动器踏板行程传感器60所检测到的制动器踏板操作量以及转向信号开关65所检测的转向信号控制杆是否被操作，作为驾驶员的操作状态。在步骤S904中，为了确定下文将描述的车辆交通场景，控制器300使用前述公式(35)和公式(36)计算车辆和前车之间的接触时间TTC和车间时距THW。

在步骤S906中，确定车辆是否处于超车操作。更具体地，确定车辆是否处于当车辆沿着在每个方向上具有两条或更多车道的道路行驶时，转向灯控制杆被操作、且车辆正加速超过前方障碍的状态。例如，从导航系统50获取的道路信息检测到车辆正沿着在每个方向上具有两条或更多车道的道路行驶，并且，在转向信号控制杆被操作的情况下，控制器300确定车辆正处于超车操作。在车辆处于超车操作的情况下，控制流程进行至步骤S910，而在车辆不处于超车操作的情况下，控制器300终止处理。

在步骤S910中，确定车辆的交通场景。通过对车辆行驶状况和驾驶员操作状态的条件进行限制，可以提高驾驶诊断的准确性，并且，为了减少在响应于驾驶诊断结果向驾驶员提供信息时对驾驶员造成的不便，对车辆的交通场景进行测定，使得仅在一种特定的交通场景中执行驾驶诊断。更具体地，仅在车辆稳定跟随同一辆前车的状态下执行超车操作的交通场景中才执行驾驶诊断。

以下为稳定跟车交通场景的条件的实例。

(a)车辆正跟随同一辆前车(例如，当前车距与先前测量的车距之间的差距小于4米)

(b)车辆并未迅速靠近(例如，接触时间TTC大于10秒)

(c)车间时距THW小于预定值(例如，车间时距THW小于4秒)

(d)驾驶员并未执行制动操作(例如，制动踏板操作量基本为零)

(e)以上状态(a)至(d)保持(例如5秒钟或更久)

当条件(a)至(e)均得到满足，控制器300确定车辆的交通场景为稳定跟车交通场景，且控制流程前进至步骤S912，以使控制器300执行驾驶诊断。另一方面，如果条件(a)至(e)中的任意一项没有得到满足，控制器300确定车辆的交通场景不符合特定的交通场景，不执行驾驶诊断并终止处理。应当注意，控制器300确定车辆的交通场景是否为稳定跟车交通场景所依据的条件并不限于上述状况(a)至(e)。此外，可以用其它的检测装置检测制动器是否被操作和转向信号控制杆是否被操作。

在步骤S912中，确定行驶位置。在步骤S914中，记录当前时间。在步骤S916中，基于步骤S912和步骤S914中标记的结果，控制器300储存用于执行驾驶员驾驶诊断的数据。这里，例如当前时间(即车辆在路段中行驶的时间)、行驶距离、路段中的驾驶特性指数、路段中的行驶次数等等被写入每个路段ID的结构中以建立交通道路数据库。在第十实施例中，使用在超车操作时刻所检测到的车距D的最小值(最小车距)作为代表驾驶员驾驶特性的物理量。

在下一个步骤S920中，使用步骤S916中所存储的数据以执行对驾驶员的驾驶诊断。驾驶诊断是基于当驾驶员在稳定跟车行驶中超车时的驾驶员驾驶特性来执行的。超车时刻的驾驶特性包括车辆与前车的车间时距THW、车间时距的倒数1/THW、车距D、车距的倒数等。这里，以当驾驶员超车时的最小车距D的情况作为实例进行说明。更具体地，控制器300使用车辆改变车道前与车辆在同一个车道内行驶的前车与车辆之间的车距。应当注意，控制器300可以使用车辆改变车道后与车辆在同一个车道内行驶的前车与车辆之间的距离。

在驾驶诊断处理中，使用图66所示的数据结构的A层到D层的每一层的数据来确定不同时间跨度(即“当前时刻”、“当日”和“通常”)内的驾驶员操作。将参考图81的流程图具体说明在步骤S920中执行的驾驶诊断处理。

在步骤S922中，计算“当前时刻”的驾驶员驾驶特性值以执行对驾驶员“当前时刻”的驾驶诊断。控制器300计算在限定“当前时刻”的预定的时间段内的超车时的最小车距D的平均值Mean_x(n)和标准差Stdev_x(n)，作为驾驶员的驾驶特性值。这里，限定“当前时刻”的预定的时间段为例如60秒，并且使用在步骤S910中确定的稳定跟车行驶状况中超车时刻所检测到的从过去到现在的60秒的数据来计算最小车距D的平均值Mean_x(n)和标准差Stdev_x(n)。与在第七实施例中的情况一样，分别使用公式(39)和(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。

在步骤S924中，为了执行驾驶员“当日”的驾驶诊断，控制器300计算“当日”的驾驶员驾驶特性值，即在限定“当日”的预定的时间段内的超车时刻的最小车距D的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“当日”的预定的时间段为例如360秒，并且使用在步骤S910中确定的稳定跟车行驶状况中的超车时刻所检测到的从过去到现在的360秒的数据来计算最小车距D的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(39)和公式(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。这里，数据数量K＝1800，其中“当日”的预定时间为360秒，采样频率为5Hz。

在步骤S926中，为了执行驾驶员“通常”的驾驶诊断，控制器350计算“通常”的驾驶员跟车特性值，即在限定“通常”的预定的时间段内的超车时刻的最小车距D的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“通常”的预定的时间段为例如2160秒，并且使用在步骤S910中确定的稳定跟车场景中的超车时刻所检测到的从过去到现在的2160秒的数据来计算最小车距D的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(39)和公式(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。这里，数据数量K＝10800，其中“通常”的预定时间为2160秒，采样频率为5Hz。

在下一个步骤S928之后的处理中，使用步骤S922、S924和S926中计算的驾驶特性值来执行对驾驶员的驾驶诊断。这里，比较每个基于在不同时间跨度内所获取数据的驾驶员驾驶特性，从而基于两驾驶特性之间的偏差大小对驾驶员的驾驶操作进行诊断。换句话说，在图66所示的数据结构中，将较高层(如A层)与较低层(如B层)进行比较以执行驾驶诊断。

首先，在步骤S928中，控制器300计算表示“当前时刻”的驾驶员驾驶特性偏离“当日”的驾驶员驾驶特性的程度的偏差度。这里，“当前时刻”相对于“当日”的偏差度表示“当日”与“当前时刻”的超车时刻的最小车距D的分布之间的差异。为了计算“当前时刻”相对于“当日”的偏差度，“当日”的超车时刻的最小车距D的分布被用作代表长时行为分布的参考分布，而“当前时刻”的超车时刻的最小车距D的分布被用作代表短时行为分布的比较对象。

这里，与在第七实施例中的情况一样，使用前述公式(47)或公式(50)来计算偏差度Dist_diff。此外，计算“当前时刻”相对于“通常”的偏差度Dist_diff。在这种情况下，“通常”的超车时刻的最小车距D的分布被用作代表长时行为分布的参考分布，而“当前时刻”的超车时刻的最小车距D的分布被用作代表短时行为分布的比较对象。然后，使用“通常”的累积分布的概率F_std(x)和“当前时刻”的累积分布的概率F_comp(x)，借助于前述公式(47)或公式(50)来计算“当前时刻”相对于“通常”的偏差度Dist_diff。

由此，在步骤S928中计算“当前时刻”相对于“当日”的偏差度Dist_diff以及“当前时刻”相对于“通常”的偏差度Dist_diff之后，控制流程进行至步骤S930。在步骤S930中，与在步骤S928中执行处理的情况一样，计算“当日”相对于“通常”的偏差度Dist_diff。应当注意，这里将“通常”的超车时刻的最小车距D的分布用作表示长时行为分布的参考分布，而将“当日”的超车时刻的最小车距D的分布用作表示短时行为分布的比较对象分布。

在下一个步骤S932中，与在步骤S928中执行处理的情况一样，，计算“通常”相对于“公众”的偏差度Dist_diff。应当注意，这里“公众”的超车时刻的最小车距D的分布被用作表示长时行为分布的参考分布，而“通常”的超车时刻的最小车距D的分布被用作表示短时行为分布的比较对象分布。预先设置合适的固定值作为“公众”驾驶特性值，即超车时刻的最小车距D的平均值与标准差。

由此，在使用多个不同的时间跨度内获取的数据在步骤S920中执行驾驶员驾驶诊断之后，控制流程进行至步骤S940。应当注意，为了简单起见，将以Dist_1a表示“当前时刻”相对于“通常”的偏差度Dist_diff，将以Dist_1b表示“当前时刻”相对于“当日”的偏差度Dist_diff，将以Dist_2表示“当日”相对于“通常”的偏差度Dist_diff，而将以Dist_3表示“通常”相对于“公众”的偏差度Dist_diff。

在步骤S940中，控制器300基于步骤S920中的驾驶诊断结果来确定是否执行报警处理。这里，确定在步骤S928中计算出的“当前时刻”相对于“通常”的偏差度Dist_1a、“当前时刻”相对于“当日”的偏差Dist_1b或者在步骤S930中计算出的“当日”相对于“通常”的偏差度Dist_2是否大于极限值(例如0.30)，该极限值用于确定是否发出警报。当偏差度Dist_1a、Dist_1b和Dist_2大于极限值时，控制流程进行至步骤S950，使得控制器350向驾驶员发出警报。发出警报后，控制器300终止处理。

例如，在“当日”相对于“通常”的偏差度Dist_2大于极限值的情况下，扬声器130发出“您超车时离前车过近”的语音以及蜂鸣声。设置语音信息的内容以告知驾驶员，超车时趋于离前车太近，或者劝告驾驶员在超车时增加车距。应当注意，实际语音信息并不限于此。当“当前时刻”相对于“通常”的偏差度Dist_1a或“当前时刻”相对于“当前日”的偏差Dist_1b大于极限值时，也发出预设的合适的语音信息。

如果步骤S940中作出否定决定且没有发出警报，控制流程进行至步骤S960且控制器300基于步骤S920的驾驶诊断结果来确定是否执行发出指示处理。这里，确定步骤S932中计算的“通常”相对于“公众”的偏差度Dist_3是否小于极限值(例如0.07)，该极限值用于确定是否发出指示(改进建议)。

如果Dist_3小于极限值，控制流程进行至步骤S970且控制器300向驾驶员发出指示。发出指示之后，控制器300终止处理。例如，作为指示内容，控制器300输出表扬驾驶者的驾驶操作的显示和语音。例如，将“通常”的偏差度Dist_3转换为分数并显示出来。更具体地，对偏差度Dist_3的符号取反再加50所得到的值显示在显示单元180上，作为驾驶员通常驾驶操作的分数。换句话说，通常在超车时离前车过近的驾驶员得到的分数小于或等于50分，而安全超车操作的驾驶员得到的分数大于或等于50分。应当注意，分数在0到100分范围内：如果转换偏差度Dist_3得到的分数大于100，则显示100分，当转换偏差度Dist_4得到的分数小于0，则显示0分。

应当注意，可以通过语音来建议改进。由此，控制器300输出显示和语音以告知驾驶员其跟车驾驶特性比公众驾驶员的跟车驾驶特性要好，并鼓励驾驶员保持良好的操作或改进其操作。此外，可以使用图71所示的二维图来显示驾驶诊断结果。

由此，在上文所说明的第十实施例中，除了根据前文所描述的第一实施例至第九实施例的有益效果之外，还能实现下述操作和有益效果。

控制器300将超车时刻车辆与前车之间的最小车距D用作代表驾驶特性的指数。控制器300使用当驾驶员操作转向信号开关并意图超车时靠近前车的程度，作为代表驾驶员特性的指数。这允许在超车场景准确地执行驾驶诊断。

《第十一实施例》

现在将说明根据本发明的第十一实施例的车辆驾驶辅助系统。根据第十一实施例的车辆驾驶辅助系统的基本结构与图63所示的第七实施例中的一样。因此，将主要说明与第七实施例的差别。

在第十一实施例中，检测车辆处于稳定单独行驶状态下的驾驶特性，并使用所检测到的驾驶特性作为指数来执行驾驶诊断。

现在将参考图82具体说明根据第十一实施例的车辆驾驶辅助系统4。图82为示出了第十一实施例所实现的控制器300所执行的驾驶辅助控制处理过程的流程图。该处理以例如每50msec的规律的时间间隔连续地执行。

首先，在步骤S300中检测车辆的行驶状况。这里，控制器300获取车速传感器30所检测到的车速V以及激光雷达10所检测到的是否存在前车，作为车辆的行驶状况。在步骤S305中，检测驾驶员的操作状态。这里，控制器300获取加速器踏板行程传感器55所检测到的加速器踏板操作量、制动器踏板行程传感器60所检测的制动器踏板操作量以及转向信号开关65所检测到的转向信号控制杆是否被操作，作为驾驶员的操作状态。

在步骤S306中，控制器300获取车辆行驶经过的道路的状态。更具体地，控制器300从导航系统50获取诸如车辆行驶经过的道路的道路分类(高标准高速公路或公用道路)以及车辆当前行驶经过的道路的速度限制，以作为表示交通公路状态的参数。

在步骤S310中，确定车辆的交通场景。通过对车辆行驶状况和驾驶员操作状态的条件进行限制，可以提高驾驶诊断的准确性，并且，为了减少在响应于驾驶诊断结果向驾驶员提供信息时对驾驶员造成的不便，对车辆的交通场景进行测定，使得仅在一种特定的交通场景中执行驾驶诊断。更具体地，仅在车辆稳定地单独行驶的交通场景中才执行驾驶诊断。

以下为稳定单独行驶的条件的实例。

(a)激光雷达10的检测区域内没有前车

(b)车辆正沿着同样分类的道路行驶

(c)车辆在同样的速度限制下行驶

(d)驾驶员未执行大的加速器踏板操作或制动器踏板操作(例如操作量小于最大操作量的30％)

(e)驾驶员并未执行转向信号控制杆操作(例如，未从转向信号开关啊65接收到ON信号)

(f)上述状态(a)至(e)保持(例如，五分钟或更多)

当条件(a)至(f)均得到满足，控制器300确定车辆的交通场景为稳定单独行驶状况，且控制流程前进至步骤S312，以使控制器300执行驾驶诊断。另一方面，如果条件(a)至(f)中的任意一项没有得到满足，控制器300确定车辆的交通场景不符合特定的交通场景，不执行驾驶诊断并终止处理。应当注意，控制器300确定车辆是否处于稳定单独行驶状况所依据的条件并不限于上述条件(a)至(f)。此外，可以用其它的检测装置检测制动器是否被操作和转向信号控制杆是否被操作。

在步骤S312中，确定行驶位置。在步骤S314中，记录当前时间。在步骤S316中，基于步骤S312和步骤S314中标记的结果，控制器300储存用于执行驾驶员驾驶诊断的数据。这里，例如当前时间(即车辆在路段中行驶的时间)、行驶距离、路段中的驾驶特性指数、路段中的行驶次数等等被写入每个路段ID的结构中以建立交通道路数据库。在第十一实施例中，使用单独行驶时所检测到的车辆的车速V作为代表驾驶员驾驶特性的物理量。

在下一个步骤S320中，使用步骤S316中所存储的数据以执行对驾驶员的驾驶诊断。驾驶诊断是基于在稳定单独行驶状况中的车速特性来执行的。在驾驶诊断处理中，使用图66所示的数据结构的A层到D层的每一层的数据来确定不同时间跨度(即“当前时刻”、“当日”和“通常”)内的驾驶员操作。将参考图83的流程图具体说明步骤S320所执行的驾驶诊断处理。

在步骤S322中，计算“当前时刻”的驾驶员单独驾驶速度特性值以执行对驾驶员“当前时刻”的驾驶诊断。控制器300计算在限定“当前时刻”的预定的时间段内的车速V的平均值Mean_x(n)和标准差Stdev_x(n)，以作为驾驶员的车速特性值。这里，限定“当前时刻”的预定的时间段为例如60秒，并且使用在步骤S310中确定的稳定单独行驶状况下所检测到的从过去到现在的60秒的数据来计算车速V的平均值Mean_x(n)和标准差Stdev_x(n)。与在第七实施例中的情况一样，分别使用公式(39)和公式(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。

在步骤S324中，为了执行驾驶员“当日”的驾驶诊断，控制器300计算“当日”的驾驶员单独行驶车速特性值，即在限定“当日”的预定的时间段内的车速V的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“当日”的预定的时间段为例如360秒，并且使用在步骤S310中所确定的稳定单独行驶状况下所检测到的从过去到现在的360秒的数据来计算车速V的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(39)和公式(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。这里，数据数量K＝1800，其中“当日”的预定时间为360秒，采样频率为5Hz。

在步骤S326中，为了执行驾驶员“通常”的驾驶诊断，控制器300计算“通常”的驾驶员的单独行驶车速特性值，即在限定“通常”的预定的时间段内的车速V的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“通常”的预定的时间段为例如2160秒，并且使用在步骤S310中确定的稳定单独行驶状况下所检测到的从过去到现在的2160秒的数据来计算车速V的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(39)和公式(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。这里，数据数量K＝10800，其中“通常”的预定时间为2160秒，采样频率为5Hz。

在下一个步骤S328之后的处理中，使用步骤S322、S324和S326中计算的驾驶特性值来执行对驾驶员的驾驶诊断。这里，比较每个基于在不同时间跨度内所获取数据的驾驶员驾驶特性，从而基于两驾驶特性之间的偏差大小对驾驶员的驾驶操作进行诊断。换句话说，在图66所示的数据结构中，将较高层(如A层)与较低层(如B层)进行比较以执行驾驶诊断。

首先，在步骤S328中，控制器300计算表示“当前时刻”的驾驶员驾驶特性偏离“当日”的驾驶员驾驶特性的程度的偏差度。这里，“当前时刻”相对于“当日”的偏差度表示“当日”与“当前时刻”的车速V的分布之间的差异。为了计算“当前时刻”相对于“当日”的偏差度，“当日”的车速V的分布被用作代表长时行为分布的参考分布，而“当前时刻”的车速V的分布被用作代表短时行为分布的比较对象。这里，与在第七实施例中的情况一样，使用前述公式(47)或公式(50)来计算偏差度Dist_diff。

由此，在步骤S328中计算“当前时刻”相对于“当日”的偏差度Dist_diff以及“当前时刻”相对于“通常”的偏差度Dist_diff之后，控制流程进行至步骤S330。在步骤S330中，与在步骤S328中执行处理的情况一样，计算“当日”相对于“通常”的偏差度Dist_diff。应当注意，这里将“通常”的车速V的分布用作表示长时行为分布的参考分布，而将“当日”的车速V的分布用作表示短时行为分布的比较对象分布。

在下一个步骤S332中，与在步骤S328中执行处理的情况一样，，计算“通常”相对于“公众”的偏差度Dist_diff。应当注意，这里“公众”的车速V的分布被用作表示长时行为分布的参考分布，而“通常”的车速V的分布被用作表示短时行为分布的比较对象分布。预先设置合适的固定值作为“公众”驾驶特性值，即单独行驶时车速V的平均值与标准差。

在步骤S333中，将过去所检测到的“当日”的单独行驶车速特性与本次检测到的“当日”的单独行驶车速特性进行比较以计算“本次”相对于“过去”的偏差度Dist_diff。更具体地，最近阶段(例如前一天)所检测到的“当日”的车速V的分布被用作代表长时行为分布的参考分布，而本次所检测到的“当日”的车速V的分布被用作代表短时行为分布的比较对象分布，根据前述公式(47)或公式(50)来计算偏差度Dist_diff。

由此，在使用多个不同的时间跨度内获取的数据在步骤S320中执行驾驶员驾驶诊断之后，控制流程进行至步骤S340。应当注意，为了简单起见，将以Dist_1表示“当前时刻”相对于“当日”的偏差度Dist_diff，将以Dist_2表示“当日”相对于“通常”的偏差度Dist_dif，将以Dist_3表示“通常”相对于“公众”的偏差度Dist_diff，而将以Dist_4表示“本次当日”相对于“过去前日”的偏差度Dist_diff。

在步骤S340中，控制器300基于步骤S320中的驾驶诊断结果来确定是否执行报警处理。这里，确定在步骤S328中计算出的“当前时刻”相对于“当日”的偏差度Dist_1、在步骤S330中计算出的“当日”相对于“通常”的偏差度Dist_2或者在步骤S333中所计算出的“本次当日”相对于“过去当日”的偏差度Dist_4是否大于极限值(例如0.30)，该极限值用于确定是否发出报警。当偏差度Dist_1、Dist_2或Dist_4大于极限值时，控制流程进行至步骤S350，使得控制器300向驾驶员发出警报。发出警报后，控制器300终止处理。

图84示出了以视觉信息发出警报的显示的实例。该显示使得能够将当日(获得的中时数据结果)的单独行驶车速的趋势与通常(获得的长时数据结果)的进行比较。图84表示当天的车速倾向于高于平时。

在以听觉信息发出警报的情况下，根据偏差度从扬声器130发出听觉信息。例如，在“当日”相对于“通常”的偏差度Dist_2大于极限值时，发出“行驶车速比平时高”的语音。在“当前时刻”相对于“当日”的偏差度Dist_1大于极限值时，发出“行驶车速高”的语音。在“本次当日”相对于“过去当日”的偏差度Dist_4大于极限值时，发出“行驶车速比以前高”的语音。

如果步骤S340中作出否定决定且没有发出警报，控制流程进行至步骤S360且控制器300基于步骤S320的驾驶诊断结果来确定是否执行发出指示处理。这里，确定在步骤S332中计算出的“通常”相对于“公众”的偏差度Dist_3是否小于极限值(例如0.07)以确定是否发出指示(改进建议)。

如果Dist_3小于极限值，控制流程进行至步骤S370且控制器300向驾驶员发出指示(改进建议)。发出指示之后，控制器300终止处理。图85示出了以视觉信息发出指示的显示的实例。该显示使得能够将驾驶员通常的单独行驶的车速特性与公众的进行比较。图85表示驾驶员的车速特性比公众要低。此外，可以将“通常”的偏差度Dist_3转换为分数并显示出来。更具体地，将对“通常”的偏差度Dist_3的符号取反再加上50所得到的值显示在显示单元180上，作为驾驶员通常驾驶的操作的得分。

在以听觉信息发出指示的情况下，例如，发出“分析结果表明，您的车速操作低于公众的车速”的语音，以告知驾驶员其倾向于习惯性的低速行驶并表扬驾驶员的驾驶操作。此外，可以使用图71所示的二维图来显示驾驶诊断结果。

由此，在上文所说明的第十一实施例中，除了根据前文所描述的第一实施例至第十实施例的有益效果之外，还能实现下述操作和有益效果。

由于控制器300使用单独行驶时的车速V作为代表驾驶特性的指数，因此能够在没有前车时驾驶员能够自主设置车速的交通场景下执行准确的驾驶诊断。

-第十一实施例的变型-

现在将说明偏差度Dist_diff的另一种计算方法。这里，计算参考分布与比较对象分布之间在“速度限制”处的差作为偏差度Dist_diff。更具体地，如图86(a)和图(b)所示，计算比较分布与参考分布在车速V小于速度限制Vlmt区域内的差作为偏差度Dist_diff。

使用下述公式(53)来计算速度限制Vlmt的累积分布概率，其中以μ_std表示参考分布的平均值，以σ_std表示参考分布的标准差。

$F_{\mathrm{std}}\left(v_{\mathrm{lmt}}\right)=\underset{0}{\overset{v_{\mathrm{lmt}}}{\∫}}\frac{1}{{\mathrm{\σ}}_{\mathrm{std}}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(v-{\mathrm{\μ}}_{\mathrm{std}})}^2}{2{{\mathrm{\σ}}_{\mathrm{std}}}^2}]}\mathrm{dv}$ (公式53)

然后，控制器300计算比较分布在速度限制Vlmt处的累积分布值。使用下述公式(54)来计算速度限制Vlmt处累积分布的概率F_comp(v_lmt)，其中以μ_comp表示比较分布的平均值，而以σ_comp表示标准差。

$F_{\mathrm{comp}}\left(v_{\mathrm{lmt}}\right)=\underset{0}{\overset{v_{\mathrm{lmt}}}{\∫}}\frac{1}{{\mathrm{\σ}}_{\mathrm{comp}}\sqrt{2\mathrm{\π}}}{e}^{[-\frac{{(v-{\mathrm{\μ}}_{\mathrm{comp}})}^2}{2{{\mathrm{\σ}}_{\mathrm{comp}}}^2}]}\mathrm{dv}$ (公式54)

使用下述公式(55)计算参考累积分布的概率F_std(v_lmt)与比较对象的累积分布的概率F_comp(v_lmt)的差，作为偏差度Dist_diff。

Dist_diff＝F_comp(v_lmt)-Fstd(v_lmt)(公式55)

《第十二实施例》

现在将说明根据本发明的第十二实施例的车辆驾驶辅助系统。图87示出了显示根据第十二实施例的车辆驾驶辅助系统6的结构的控制图。在图87中，与图63所示的第七实施例中具有同样功能的单元标有同样的附图标记，并且省略其说明。因此将主要说明与第七实施例的差别。

根据第十二实施例的车辆驾驶辅助系统6包括激光雷达10、前摄像机15、车速传感器30、加速度传感器35、导航系统50、加速器踏板位置传感器55、控制器400、扬声器130、显示单元180及类似装置。

前摄像机15为安装在前挡风玻璃顶部的小型CCD(电耦合器件)摄像机、CMOS(互补金属氧化物半导体)摄像机及类似摄像机，其以图像的方式检测前方的行车状况。控制器400对从前摄像机15接收到的图像信号进行图像处理并且检测车辆前方区域内的车道标识线等等。应当注意，前摄像机15检测的区域为在水平方向上相对于车辆的纵向中心线大约±30度的范围内，该区域内包含的道路的前视图被加载为图像。加速度传感器35为检测车辆纵向加速度并将所检测到的纵向加速度输出至控制器400的传感器。

在第十二实施例中，控制器400检测车辆起步时的驾驶特性并使用所检测到的驾驶特性作为指数执行驾驶诊断。

现在将参考图88具体说明第十二实施例的车辆驾驶辅助系统6的性能。图88为示出了第十二实施例所实现的控制器400所执行的驾驶辅助控制处理的过程的流程图。该处理以约50msec的规律的时间间隔连续地执行。

首先，在步骤S700，检测车辆的行驶状况。这里，控制器400获取车速传感器30所检测到的车速V、激光雷达10所检测到的是否存在前车以及加速度传感器35所检测到的纵向加速度xg，以作为车辆的行驶状况。将纵向加速度xg除以9.8m/s²以计算G值。此外，对纵向加速度xg求时间微分以计算加加速度(二阶加速度)值。纵向加速度xg和加加速度值是代表车辆起步时的行驶品质和不适感的主要指数。

在步骤S705中，检测驾驶员的操作状态。这里，控制器400获取加速器踏板行程传感器55所检测到的加速器踏板操作量，以作为驾驶员的操作状态。此外，对加速器踏板操作量求时间微分以计算加速器踏板操作速度。

在步骤S706中，获取车辆当前所处的道路的状况。更具体地，控制器400通过使用导航系统50和前摄像机15捕捉的图像来获取车辆当前所处道路的形状。

在步骤S710中，确定车辆的交通场景。通过对车辆行驶状况和驾驶员操作状态的条件进行限制可以增加驾驶诊断的准确性，并且，为了减少在响应于驾驶诊断结果向驾驶员提供信息时对驾驶员造成的不便，对车辆的交通场景进行测定，使得仅在一种特定的交通场景中执行驾驶诊断。更具体地，仅在前方无障碍时车辆从停止状态开始起动的的交通场景中才执行驾驶诊断。

以下为单独起动的交通场景的条件的实例。

(a)激光雷达10的检测区域内不存在前车

(b)车辆所处道路基本为直路(R≥800m)

(c)车辆刚从停止状态(车速为0km/h)开始运动(例如，从起动开始10秒钟以内)

当条件(a)至(c)均得到满足，控制器400确定车辆的交通场景为单独起步交通场景，且控制流程前进至步骤S712，以使控制器400执行驾驶诊断。另一方面，如果条件(a)至(c)中的任意一项没有得到满足，控制器400确定车辆的交通场景不符合特定的交通场景，不执行驾驶诊断并终止处理。

在步骤S712中，确定行驶位置。在步骤S714中，记录当前时间。在步骤S715中，控制器400计算车辆从停止状态起步10秒钟内的起步加速特性指数的最大值。起步加速特性指数包括例如纵向加速度xg、G值、加加速度、加速器踏板操作量、加速器踏板操作速度等等。这里以使用纵向加速度xg的情况作为实例进行说明。

在步骤S716中，基于步骤S712和S714中的标记结果，控制器400储存用于执行驾驶员的驾驶诊断的数据。这里，例如当前时间(即车辆在路段中行驶的时间)、行驶距离、路段中的起动加速特性指数、路段中的行驶次数等等被写入每个路段ID的结构中以建立交通道路数据库。

在下一个步骤S720中，步骤S716中所储存的数据被用于执行对驾驶员的驾驶诊断。驾驶诊断是基于在单独起步交通场景中的加速特性来执行的。在驾驶诊断处理中，使用图66所示的数据结构中A层到D层中每一层的数据以确定不同时间跨度(即“当前时刻”、“当日”和“通常”)内的驾驶员操作。将参考图89的流程图具体说明在步骤S720中执行的驾驶诊断处理。

在步骤S722中，计算“当前时刻”的驾驶员的起步加速特性值以执行对驾驶员“当前时刻”的驾驶诊断。控制器400计算在限定“当前时刻”的预定的时间段内的纵向加速度xg的平均值Mean_x(n)和标准差Stdev_x(n)，以作为驾驶员的驾驶特性值。这里，限定“当前时刻”的预定的时间段为例如最近三次起动，并且使用在最近三次起动中所检测到的数据(数据数量K＝3)来计算纵向加速度xg的平均值Mean_x(n)和标准差Stdev_x(n)。与第七实施例中一样，分别使用公式(39)和公式(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。

在步骤S724中，为了执行驾驶员“当日”的驾驶诊断，控制器400计算“当日”的驾驶员的起步加速特性值，即在限定“当日”的预定的时间段内的纵向加速度xg的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“当日”的预定的时间段为例如最近18次起动，并且使用在最近18次起动中所检测到的数据(数据数量K＝18)来计算纵向加速度xg的平均值Mean_x(n)和标准差Stdev_x(n)。

在步骤S726中，为了执行驾驶员“通常”的驾驶诊断，控制器400计算“通常”的驾驶员的起步加速特性值，即在限定“通常”的一预定的时间段内的纵向加速度xg的平均值Mean_x(n)和标准差Stdev_x(n)。这里，限定“通常”的预定的时间段为例如最近108次起动，并且使用在最近108次起动中所检测到的数据(数据数量K＝108)来计算纵向加速度xg的平均值Mean_x(n)和标准差Stdev_x(n)。

更具体地，与在“当前时刻”的情况类似，使用公式(39)和公式(41)来计算平均值Mean_x(n)和标准差Stdev_x(n)。

在下一个步骤S728之后的处理中，使用在步骤S722、S724和S726中计算的驾驶特性值来执行对驾驶员的驾驶诊断。这里，比较每个基于在不同时间跨度内所获取数据的驾驶员驾驶特性，从而两基于驾驶特性之间的偏差大小对驾驶员的驾驶操作进行诊断。换句话说，在图66所示的数据结构中，将较高层(如A层)与较低层(如B层)进行比较以执行驾驶诊断。

首先，在步骤S728中，控制器400计算表示“当前时刻”的驾驶员驾驶特性偏离“当日”的驾驶员驾驶特性的程度的偏差度。这里“当前时刻”相对于“当日”的偏差度表示“当日”与“当前时刻”的纵向加速度xg的分布之间的差异。为了计算“当前时刻”相对于“当日”的偏差度，“当日”的纵向加速度xg的分布被用作代表长时行为分布的参考分布，而“当前时刻”的纵向加速度xg的分布被用作代表短时行为分布的比较对象。这里，与在第七实施例中的情况一样，使用前述公式(47)和公式(50)来计算偏差度Dist_diff。

由此，在步骤S728中，计算了“当前时刻”相对于“当日”的偏差度Dist_diff以及“当前时刻”相对于“通常”的偏差度Dist_diff之后，控制流程进行至步骤S730。在步骤S730中，与在步骤S728中执行处理的情况一样，计算“当日”相对于“通常”的偏差度Dist_diff。应当注意，这里就“通常”的加速度xg的分布用作表示长时行为分布的参考分布，而将“当日”的加速度xg的分布用作表示短时行为分布的比较对象分布。

在下一个步骤S732中，与在步骤S728中执行处理的情况一样，计算“通常”相对于“公众”的偏差度Dist_diff。应当注意，这里“公众”的加速度xg的分布被用作表示长时行为分布的参考分布，而“通常”的加速度xg的分布被用作表示短时行为分布的比较对象分布。预先设置合适的固定值作为“公众”的起动加速特性值，即单独起动时加速度xg的平均值和标准差。

在步骤S733中，将过去所检测到的“当日”的起动加速特性与本次检测到的“当日”的起动加速特性进行比较以计算“本次”相对于“过去”的偏差度Dist_diff。更具体地，在最近阶段(例如前一天)所检测到的“当日”的加速度xg的分布被用作代表长时行为分布的参考分布，而本次所检测到的“当前日”的加速度xg的分布被用作代表短时行为分布的比较对象目标，根据前述公式(47)或公式(50)来计算偏差度Dist_diff。

由此，在使用多个不同的时间跨度内获取的数据在步骤S720中执行驾驶员驾驶诊断之后，控制流程进行至步骤S740。应当注意，为了简单起见，将以Dist_1表示“当前时刻”相对于“当日”的偏差度Dist_diff，将以Dist_2表示“当日”相对于“通常”的偏差度Dist_diff，将以Dist_3表示“通常”相对于“公众”的偏差度Dist_diff，而将以Dist_4表示“本次当日”相对于“过去当日”的偏差度Dist_diff。

在步骤S740中，控制器400基于步骤S720中的驾驶诊断结果来确定是否执行报警处理。这里，确定在步骤S728中计算出的“当前时刻”相对于“当日”的偏差度Dist_1、在步骤S730中计算出的“当日”相对于“通常”的偏差度Dist_2或者在步骤S733中所计算出的“本次当日”相对于“过去当日”的偏差度Dist_4是否大于极限值(例如0.30)，该极限值用于确定是否发出报警。当偏差度Dist_1、Dist_2或Dist_4大于极限值时，控制流程进行至步骤S750，使得控制器400向驾驶员发出报警。发出报警后，控制器400终止处理。

图90示出了以视觉信息发出警报的显示的实例。该显示使得能够将当日(获得的中时数据结果)的起动加速的趋势与通常(获得的长时数据结果)的进行比较。图90表示当天的加速度倾向于比平时高。

在以听觉信息发出警报的情况下，根据偏差度从扬声器130发出听觉信息。例如，在“当日”相对于“通常”的偏差度Dist_2大于极限值时，发出“起动加速度比平时高”的语音。在“当前时刻”相对于“当日”的偏差度Dist_1大于极限值时，发出“起动加速度高”的语音。在“本次当日”相对于“过去当日”的偏差度Dist_4大于极限值时，发出“起动加速度比以前高”的语音。

如果步骤S740中作出否定决定且没有发出警报，控制流程进行至步骤S760且控制器400基于步骤S720的驾驶诊断结果来确定是否执行发出指示处理。这里，确定在步骤S732中计算出的“通常”相对于“公众”的偏差度Dist_3是否小于极限值(例如0.07)以确定是否发出指示(改进建议)。

如果Dist_3小于极限值，控制流程进行至步骤S770且控制器400向驾驶员发出指示。发出指示之后，控制器400终止处理。图91示出了以视觉信息发出指示的显示的实例。该显示能够将驾驶员的通常的起动加速度与公众的进行比较。图91表示驾驶员的启动加速度的特性比公众要低。此外，可以将“通常”的偏差度Dist_3转换为分数并显示出来。更具体地，将“通常”的偏差度Dist_3的符号取反再加上50所得到的值显示在显示单元180上，作为驾驶员通常驾驶的操作的得分。

在以听觉信息发出指示的情况下，例如，发出“分析结果表明，您的起动加速度操作低于公众的起动加速度”的语音，以告知驾驶员其倾向于习惯性的低速起动并表扬驾驶员的驾驶操作。此外，可以使用图71所示的二维图来显示驾驶诊断结果。

由此，在上文所说明的第十二实施例中，除了根据前文所描述的第一实施例至第十一实施例的有益效果之外，还能实现下述操作和有益效果。

由于控制器400使用车辆起动时的纵向加速度xg的最大值作为代表驾驶特性的指数，因此能够在不存在前车时的车辆起动中执行准确的驾驶诊断。

应当注意，在前文所说明的第一实施例至第十二实施例中，能够在执行驾驶诊断后，根据驾驶诊断的结果，执行发出警报处理或改进建议处理。然而，本发明所实现的车辆驾驶辅助系统不限于此，且车辆驾驶辅助系统被构造为能够仅根据行驶状况和驾驶操作执行驾驶诊断。在该情况下，例如能够仅在驾驶员希望的时候告知驾驶诊断结果，或者将诊断结果传递至收集数据的基站或类似。

在前文所说明的第一实施例至第十二实施例中，激光雷达10、前摄像机15、车速传感器30、加速度传感器35和导航系统50可以用作行驶状况检测装置；转向角传感器5、加速器踏板行程传感器55、制动器踏板行程传感器60和转向信号开关65可以用作驾驶操作检测装置；而控制器100，200，250，300，350和400可以用作驾驶诊断装置。应当注意，行驶条件检测装置和驾驶操作检测装置不限于此，且例如可以用其它类型的雷达取代激光雷达10。应当注意，上述说明均为实例，上述实施例与权利要求之间的对应关系并不限制或约束本发明的范围。

Claims (28)

1.一种车辆驾驶辅助系统，其特征在于，包括：

行驶状况检测装置，其检测车辆的行驶状况；

驾驶操作检测装置，其检测驾驶员的驾驶操作；以及

驾驶诊断装置，其根据所述行驶状况检测装置所检测到的行驶状况以及所述驾驶操作检测装置所检测到的驾驶操作来估计驾驶员的驾驶特性，并且基于所估计的驾驶特性来诊断驾驶员的驾驶操作。

2.如权利要求1所述的车辆驾驶辅助系统，其特征在于，还包括：

存储装置，其存储所述行驶状况检测装置所检测到的行驶状况的数据以及所述驾驶操作检测装置所检测到的驾驶操作的数据，其中

所述驾驶诊断装置使用存储在所述存储装置内的所述行驶状况检测装置所检测到的行驶状况的数据以及所述驾驶操作检测装置所检测到的驾驶操作的数据中的有限时间位置和范围的数据来执行驾驶诊断。

3.如权利要求1所述的车辆驾驶辅助系统，其特征在于，还包括：

存储装置，其存储所述行驶状况检测装置所检测到的行驶状况的数据以及所述驾驶操作检测装置所检测到的驾驶操作的数据，其中

所述驾驶诊断装置使用存储在所述存储装置内的所述行驶状况检测装置所检测到的行驶状况的数据以及所述驾驶操作检测装置所检测到的驾驶操作的数据中的车辆所行驶的有限空间位置和范围的数据来执行驾驶诊断。

4.如权利要求1所述的车辆驾驶辅助系统，其特征在于，还包括：

存储装置，其存储所述行驶状况检测装置所检测到的行驶状况的数据以及所述驾驶操作检测装置所检测到的驾驶操作的数据，其中

当存储的所述行驶状况检测装置所检测到的行驶状况的数据以及所述驾驶操作检测装置所检测到的驾驶操作的数据大于或等于预定量时，所述驾驶诊断装置使用所存储的数据执行驾驶诊断。

5.如权利要求2所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置对所述行驶状况检测装置所检测到的行驶状况以及所述驾驶操作检测装置所检测到的驾驶操作设置了多个时间范围，对每个时间范围内所获取的数据进行实时更新，并将多个数据进行比较以执行驾驶诊断。

6.如权利要求5所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置获取代表当前的行驶状况和驾驶操作的第一时间段的数据以及代表当天的行驶状况和驾驶操作的比第一时间段更长的第二时间段的数据，并且将第一时间段的数据与第二时间段的数据进行比较以执行驾驶诊断。

7.如权利要求5所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置获取代表通常的行驶状况和驾驶员的驾驶操作的数据，并且将该数据与其它数据对比以执行驾驶诊断，所述其它数据为在与该数据所获取的时间范围不同的时间范围内获取的。

8.如权利要求3所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置获取车辆当前所行驶的空间范围内的行驶状况和驾驶操作的数据，并且将该数据与在同样的空间范围内获取的记录数据进行比较以执行驾驶诊断。

9.如权利要求1至8中的任意一项所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置根据行驶状况和驾驶操作的数据递归地计算代表驾驶特性的驾驶操作数据的分布。

10.如权利要求5所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置根据不同时间范围内的多个数据递归地计算具有不同时间常数的多个驾驶操作数据的分布作为驾驶特性。

11.如权利要求9所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置递归地计算概率密度函数作为驾驶操作数据的分布。

12.如权利要求10所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置递归地计算具有不同时间常数的多个概率密度函数作为驾驶操作数据的分布。

13.如权利要求5所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置根据不同时间范围内的多个数据之间在预定范围内的差值来执行驾驶诊断。

14.如权利要求5所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置将不同时间范围的多个数据的分布进行比较并基于所述分布的符合度来执行驾驶诊断。

15.如权利要求5所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置假定不同时间范围内的多个数据的分布均具有预定的形状，并且获取其分布参数以计算多个数据分布。

16.如权利要求13所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置计算多个数据中的每个数据的数据分布，根据所计算的多个数据分布中的参考数据分布来设定预定范围，以及基于在设定的预定范围内多个数据之间的差值来执行驾驶诊断。

17.如权利要求16所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置使用根据多个数据中的具有最广时间范围的数据计算的数据分布作为参考数据分布。

18.如权利要求1至17中的任意一项所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置计算当车辆正跟随前车时车辆与前车之间的车间时距作为代表驾驶特性的指数。

19.如权利要求1至17中的任意一项所述的车辆驾驶辅助系统，其特征在于：

所述驾驶操作检测装置检测转向角作为驾驶操作；且

所述驾驶诊断装置使用所检测到的转向角来计算代表驾驶员转向操作的不稳定性的转向角熵，并将该转向角熵作为代表驾驶特性的指数。

20.如权利要求1至17中的任意一项所述的车辆驾驶辅助系统，其特征在于：

所述驾驶操作检测装置检测加速器踏板操作量作为驾驶操作；且

所述驾驶诊断装置使用所检测到的加速器踏板操作量来计算代表驾驶员的加速器踏板操作的不稳定性的加速器踏板位置熵，并将该加速器踏板位置熵作为代表驾驶特性的指数。

21.如权利要求1至9、权利要求11或权利要求13至17中的任意一项所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置计算当加速器踏板被松开时车辆与前车之间的接触时间并将该接触时间作为代表驾驶特性的指数。

22.如权利要求1至9、权利要求11或权利要求13至17中的任意一项所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置计算当执行转向调节时车辆偏离车道前的车道横越时间并将该车道横越时间作为代表驾驶特性的指数。

23.如权利要求1至9、权利要求11或权利要求13至17中的任意一项所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置使用单独行驶时的车速作为代表驾驶特性的指数。

24.如权利要求1至9、权利要求11或权利要求13至17中的任意一项所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置使用车辆起动时的最大加速度作为代表驾驶特性的指数。

25.如权利要求1至9、权利要求11或权利要求13至17中的任意一项所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置计算在制动操作时车辆与前车之间的最小接触时间作为代表驾驶特性的指数。

26.如权利要求1至9、权利要求11或权利要求13至17中的任意一项所述的车辆驾驶辅助系统，其特征在于：

所述驾驶诊断装置使用超车时车辆与前车之间的最小车距作为代表驾驶特性的指数。

27.一种车辆驾驶辅助方法，其特征在于：

检测车辆的行驶状况；

检测驾驶员的驾驶操作；以及

根据所检测到的行驶状况和所检测到的驾驶操作估计驾驶员的驾驶特性，并且基于所估计的驾驶特性对驾驶员的驾驶操作进行诊断。

28.一种车辆，其特征在于，包括如权利要求1至27中任意一项所述的车辆驾驶辅助系统。

Images